Войти в геймдев через аналитику обычно проще, чем через разработку. Работодатели чаще смотрят на базу в продуктовой аналитике, а не на бэкграунд в играх. Я в этом убедился сам — расскажу как.
Несколько лет назад я анализировал геймификацию в Альфа-Банке — мы превращали банковские сценарии в мини-игры (про один из проектов, Симулятор Мошенника, у меня есть статья на Хабре). Геймификация — это не настоящий геймдев, и я это понимал. Когда я переходил в Яндекс на позицию аналитика Плюс Сити — мобильной игры внутри Яндекс Плюс — был уверен, что меня не возьмут. Опыта работы в классических играх нет, F2P-экономику не считал, retention в мобильных играх не оптимизировал.
Взяли. И, как выясняется, это не исключение.
Чтобы вы не верили мне на слово, я принес данные. Спарсил 108 вакансий аналитиков в геймдеве — с hh.ru и из десятка Telegram-каналов про работу для аналитиков и про геймдев, а потом ещё прошёлся по сайтам 15 основных геймдев-студий СНГ — там, забегая вперёд, не нашлось ни одной открытой вакансии аналитика. О том, почему так, расскажу в конце. Спойлер по тому, что получилось: 39% вакансий жёстко требуют игровой опыт, ещё 13% — «будет плюсом», в остальных 46% такого требования нет вовсе.
В шести из десяти объявлений путь без бэкграунда в играх открыт.
Почему геймдев кажется закрытым
В моём канале о зарплатах аналитиков я провёл опрос: «Думаете, устроиться аналитиком в геймдев сложнее, чем в другие продуктовые сферы?». Проголосовали 2 247 человек. Чаще всего отвечали «Не знаю» — 38%. Остальные:
- 15% — да, сильно сложнее
- 17% — немного сложнее
- 21% — примерно так же
- 9% — даже проще
Если убрать «не знаю» и считать только тех, кто высказался, получается, что 52% уверены: в геймдев войти труднее. 34% — что так же, 14% — что проще.
Понимаю откуда это. Логика, в которую упирается человек со стороны, такая: чтобы тебя взяли, нужен опыт в геймдеве. Чтобы получить опыт в геймдеве, нужно, чтобы тебя взяли. Замкнутый круг.
В реальности дверей две. Штат гейм-студии делится примерно так: одна часть делает игру — геймдизайнеры, разработчики, художники, продюсеры. Другая часть улучшает игру — аналитики, маркетологи, UA-специалисты. В первую часть без опыта в индустрии правда сложно. Во вторую — нет.
Геймдизайнером без портфолио тебя не возьмут — от тебя ждут чувства баланса, которое нарабатывается годами. Продюсером без релизов тоже не возьмут — будет нечего показать. А к аналитику требование другое: знать продуктовую аналитику и не утонуть в классических инструментах вроде SQL. Какие именно сущности ты раньше анализировал — заказы в e-com, транзакции в банке или прогрессию в игре — менее важно. Логика одна.
Хороший пример того, как индустрия разделяет эти роли по разным направлениям. Откликался я как-то на аналитика в Wargaming. У них в анкете на вакансию, помимо обычных «сколько лет опыта в Python» и «нужна ли тебе виза для релокации», есть отдельное поле: сколько у тебя боёв в их играх. Я честно ответил — столько-то тысяч в Танках, плюс альфа-тесты пары их флагманов. Параллельно расписал стандартные аналитические штуки. Дошли до собеса — и там рекрутер сказала: слушай, у тебя такое глубокое понимание продукта, может, пойдёшь не на аналитика, а на продакт-менеджера? Твой игровой опыт там оценят.
А потом, уже в Яндексе, я и сам начал нанимать аналитиков в свою команду. И тоже не выносил опыт в геймдеве в обязательные требования — он был в разделе «будет плюсом». В первую очередь смотрел на продуктовую базу, SQL и опыт с А/Б.
Самая большая скидка — 10% на все курсы!
До 30 июля по промокоду KOD (можно просто нажать) действует максимальная скидка — 10% на все платные курсы Практикума. Если давно хотели разобраться в разработке, аналитике, нейросетях, тестировании или кибербезопасности, сейчас можно зайти дешевле.
А если пока не готовы выбирать курс, у Практикума есть бесплатные вводные части — можно попробовать направление без привязки карты.
За что в игре вообще отвечает аналитик
Если совсем коротко — аналитик отвечает за то, чтобы решения о продукте принимались на данных, а не на интуиции продюсера и геймдизайнеров.
Что это значит на практике? Команда запускает крупный ивент — например, кросс-продуктовый, где игроки выполняют задания в нескольких сервисах сразу. У аналитика много дел. До запуска: согласовать аналитические события, собрать сегменты для коммуникации, продумать, что захочется измерить через неделю, составить прогноз, предоставить расчеты для геймдизайнеров, построить графики. Во время запуска: следить за метриками в реальном времени и реагировать, если что-то идёт не по плану. Иногда — ловить такие штуки, как непредусмотренная лазейка в логике задания, когда часть игроков начинает проходить ивент за минуты. Задача аналитика в моменте — не найти виноватого, а быстро посчитать масштаб: сколько таких игроков, во что обойдётся каждое из решений, как лучше поступить. Продукт принимает решение уже на основании этих цифр.
После запуска — анализ. Что сработало, что нет, какой сегмент игроков откликнулся лучше всего, как менялись метрики. Эти выводы становятся базой для следующего ивента и для коммуникационных сценариев.
По штатным обязанностям аналитик не придумывает игровые механики (это делает геймдизайнер), не пишет код (это делает разработчик), не управляет продуктом верхнеуровнево (это делает продюсер/продакт). На практике границы регулярно плывут — я часто помогал придумывать бизнес-логику и игровые штуки, но скорее потому что мне это интересно. Это бонус, а не обязанность.
Какие главные данные есть у аналитика в геймдеве
Чистой игровой специфики — немного:
- Прогрессия — где пользователь в игровой воронке, какие уровни прошёл, что впереди
- Игровая экономика — сколько ресурсов он заработал и потратил, что из них покупает
- LiveOps — поведение пользователей во время ивентов и сезонных запусков
Остальное знакомо любому продуктовому аналитику:
- Сессии и retention — считают в любом мобильном приложении
- Атрибуция и привлечение пользователей — стандарт для любого продукта с маркетингом
- Платежи, средний чек, конверсия в покупку — то же самое, что в e-com
То есть три новых сущности и три полностью знакомых. С учётом того, что три новых разбираются за пару недель работы в продукте — это не та разница, на которой стоит останавливать карьерный переход.
Почему через аналитику войти проще, чем через разработку
Разработчик в геймдеве — это специалист по движку (Unity, Unreal или внутренний движок студии) или мобильный/серверный программист с опытом игровых проектов. Везде нужен профильный стек. С бэкенда из финтеха в Unity тебя без переучивания скорее всего не возьмут.
С аналитиком данных иначе. Инструментарий переезжает между индустриями практически без изменений:
- SQL — это SQL, что в банке, что в игре
- Python с pandas/scikit/statsmodels — то же самое
- BI-инструменты (DataLens, Tableau, Power BI, Metabase, Looker) — те же
- A/B-тесты и статистика — те же критерии и гипотезы
- Продуктовое мышление — не привязано к индустрии
Когда я переходил из Альфы, я не доучивал игровые метрики или какие-то подходы. Я просто привыкал к новому продукту — как привыкал бы при переходе в инвестиции, медицину или маркетплейс. Разбирался во внутреннем стеке компании, в новой команде, в новом домене. Несколько недель — и дальше обычная работа.
В цифрах. Топ упоминаемых навыков в моих 108 вакансиях:
- SQL — 61%
- Python — 58%
- Statistics — 52%
- A/B testing — 48%
- BI (любой) — 38%
Игровая специфика идёт дальше:
- Retention / LTV / ARPU — 33%
Топ-4 навыков геймдев-вакансии — это просто продуктовая аналитика. Игровая специфика — слой поверх, не вместо.
Почему аналитика в геймдеве похожа на обычную продуктовую
Если ты уже работал аналитиком в продуктовой компании, многое будет тебе знакомо.
- Та же триада: дашборды → гипотезы → А/Б-тесты
- Те же продуктовые метрики: DAU/MAU, retention, конверсии, средний чек
- Те же воронки (только вместо «корзина → оплата» — «уровень 3 → уровень 4»)
- Тот же self-service: задача аналитика не отвечать на адхок-запросы, а собрать инструменты, чтобы менеджеры сами смотрели цифры
- Те же сегменты: для коммуникации, для эксперимента, для исключения из рассылки
Цитата из вакансии Лесты Игр на продуктового аналитика. В разделе «будет плюсом» написано: «Опыт в геймдеве или других B2C-продуктах с большой аудиторией». Для них опыт в e-com или фитнес-приложении — равноценная альтернатива игровому. Формулировка типовая.
Какие задачи аналитик решает каждый день
Мой обычный день скучнее, чем кажется со стороны.
Утром смотрю дашборды — что произошло вчера в ключевых метриках. Если что-то упало или взлетело — иду разбираться. Чаще ничего экстраординарного. Но время от времени случается запрос в формате «что это за пик в час ночи?» — и оказывается, что разработка раскатила баг, который сломал какую-то атрибуцию или событие.
Дальше — то, что в плане на спринт.
- Подготовка ивента: собрать сегмент пользователей, разметить аналитические события, сделать ТЗ для разработки на новые события, заранее предусмотреть всё, что захочется померить через две недели после релиза
- A/B-тест: задизайнить, посчитать необходимый объём выборки, отнести в эксперимент-платформу, через 2 недели собрать результаты, проанализировать их, защитить выводы перед командой
- Аналитика релизов, баланса и экономики: проверить, что после раскатки фичи метрики ядра не пострадали, новая механика отрабатывает как задумано, в экономике нет перекосов, провести исследования
- Адхок-запросы от команды: «какой сегмент пользователей сделал X за последнюю неделю и сколько они тратят?»
И встреч много. В моём случае — особенно: я был лидом сразу на нескольких направлениях, темп быстрый. Кроме обсуждения экспериментов и продуктовых выводов часто разбираем деньги, исследования, общие планы развития, узкие места команды.
Раз в квартал — что-то большое. Какая-нибудь крупная переработка баланса, перезапуск направления, запуск нового продукта. Это уже не «посмотреть метрику в дашборде», а проект на месяц-два, в котором аналитик ведёт исследование, готовит цифры под решения и собирает инструменты, чтобы продакты дальше работали с этим самостоятельно.
Любить игры полезно, но этого недостаточно
Аналитика — это не про «играть в любимую игру за деньги», хотя играть всё-таки приходится. Если идти в геймдев из любви к играм, но без интереса к данным, метрикам и продуктовым причинам — выгорите быстро.
База, которая нужна:
- SQL не на уровне
SELECT * FROM, а реально — оконные функции, агрегации, оптимизация запросов. В играх событий очень много, неоптимальный запрос будет считаться очень долго; - Продуктовые метрики — понимать, какие выбрать под конкретный вопрос (DAU, retention, ARPPU, конверсия в покупку, средний чек — и когда уместен каждый);
- A/B-тесты — не только нажать запуск в платформе. Нужно сформулировать гипотезу, посчитать MDE, выбрать подходящий статистический критерий, не подсмотреть результат раньше времени и корректно прочитать вывод;
- Визуализация и сторителлинг — как из таблички сделать дашборд, который продакты сами смогут читать, и как одной табличкой защитить решение перед командой;
- Дисциплина гипотез — научиться формулировать предположение, выбирать способ его проверить и не подгонять выводы под ожидания.
Что добавится поверх:
- Поиграть в свою игру. Без этого ты не поймёшь, что считаешь;
- Привыкнуть к продуктовому жанру — то же, что при переходе в любую новую сферу;
- Освоить специфику внутреннего стека компании — у каждой студии свои инструменты, дашборды и логика событий.
Кому этот путь подходит, а кому нет
Подходит:
- Аналитикам из e-com, финтеха, медиа и других B2C-сфер с большой аудиторией — база уже есть, остаётся освоиться в новом продукте
- Тем, кому интересно поведение пользователей, а не только сама игра
- Junior-аналитикам, которые ищут место с быстрым ростом — цикл от гипотезы до выводов в геймдеве короткий, за год можно прокачаться сильно
- Тем, кто готов работать с большим объёмом событий — игры генерируют их кратно больше, чем e-com
Не подходит:
- Тем, кто хочет в геймдев «потому что игры». Любить играть и любить разбираться в данных — разные навыки
- Тем, кому неинтересна продуктовая часть. Если хочется только писать SQL — в классических аналитических командах будет комфортнее
- Тем, кто не готов к турбулентности. Запуски, ивенты, факапы в проде, разборы инцидентов случаются регулярно
Где искать вакансии
Считается, что hh — главное место поиска работы. С геймдев-аналитикой это не так. Из 108 вакансий, что я нашёл, на hh оказалось всего 20%. Остальные 80% — в Telegram-каналах про работу для аналитиков и про геймдев.
Многих крупных студий на hh нет вовсе. Кто-то ушёл с российского рынка, кто-то релоцировался в Кипр, Грузию, Беларусь, Армению и нанимает теперь либо через свои каналы, либо через рекрутеров в LinkedIn. Я отдельно прошёлся по карьерным страницам топ-15 F2P-студий — в момент сбора там не было ни одной открытой вакансии аналитика. То есть 38% «не знаю» в моём опросе — это не равнодушие, это люди просто смотрели не туда.
С зарплатами картина типичная для российского рынка — указаны только в 12% вакансий. Из тех, что есть, вилки на middle/senior Product Analyst — 200–400 тысяч рублей в месяц на руки, а у некоторых компаний — «в евро, независимо от региона проживания» для релокантов.
Геймдев действительно выглядит как клуб для своих. Только клуб этот — про геймдизайнеров и разработчиков. У аналитиков отдельная дверь.
Аналитика в играх — это та же продуктовая аналитика, что и в любой другой B2C-индустрии, плюс пара специфических метрик. Есть база и желание — путь короче, чем кажется. Нет базы — иди и собирай её в любой продуктовой команде, потом возвращайся.
Про карьеру в аналитике, переходы и опыт работы изнутри я регулярно пишу в “Тагир Анализирует”. Про рынок и зарплаты — отдельный канал “Зарплатник аналитика”, там собираем истории, цифры и инсайты по индустрии. А последнее, что я делаю — Карьерник, тренажёр в формате Duolingo: 10–15 минут в день в Telegram-боте — SQL, A/B-тесты, статистика, метрики и другие темы с собесов. Если думаешь о переходе и хочешь подкачать базу — оттуда удобно начать.
Советуем дополнительно почитать по теме:
Как стать ML-инженером в 2026 году: от Python до первого оффера — путь от Python, SQL и классического машинного обучения до Deep Learning, системного дизайна и деплоя моделей; подойдёт аналитикам, которые захотят уйти глубже в ML.
Кто такой Data Scientist и чем он занимается — чем дата-сайентист отличается от продуктового аналитика, какие задачи решает и зачем ему SQL, Python, статистика и работа с моделями.
Где брать данные для анализа и машинного обучения — подборка открытых датасетов для аналитических исследований, учебных проектов и первых работ в портфолио.
Бонус для читателей
Если вам интересно погрузиться в мир аналитики и при этом немного сэкономить, держите наш промокод на курсы Практикума. Он даст вам скидку при оплате, поможет с льготной ипотекой и даст безлимит на маркетплейсах. Ладно, окей, это просто скидка, без остального, но хорошая.
