Sıfırdan Data Analitika Öyrənmək: Data Analyst Roadmap 2026

Data analitika müasir dövrdə ən çox tələb olunan istiqamətlərdən birinə çevrilib. Şirkətlərin topladığı məlumatların həcmi artdıqca həmin datanı analiz edə, nəticələri izah edə və onları biznes qərarlarına çevirə bilən Data Analyst mütəxəssislərinə də ehtiyac artır.

Bəs data analitika öyrənməyə haradan başlamaq lazımdır? Excel, SQL, Power BI, Python, yoxsa statistika? Xüsusilə sıfırdan başlayan biri üçün çoxsaylı proqramlaşdırma dilləri və analitika alətləri prosesi olduğundan daha mürəkkəb göstərə bilər.

Əslində düzgün Data Analyst roadmap ilə bu prosesi mərhələlərə bölmək mümkündür. Əsas məqsəd bütün alətləri eyni anda öyrənmək deyil, məlumatı anlamaqdan başlayaraq real biznes problemlərini data vasitəsilə həll edə biləcək səviyyəyə çatmaqdır.

Data analitika nədir və Data Analyst nə iş görür?

Data analitika məlumatların toplanması, təmizlənməsi, strukturlaşdırılması, araşdırılması və nəticələrin şərh edilməsi prosesidir. Məqsəd sadəcə rəqəmlərə baxmaq deyil, həmin rəqəmlərin arxasında gizlənən mənanı tapmaqdır.

Məsələn, e-commerce şirkətinin satışları son üç ay ərzində 20% azalıb. Data Analyst sadəcə bu azalmanı göstərmir. O, datanı araşdıraraq aşağıdakı suallara cavab axtarır:

• Satışlar hansı tarixdən azalmağa başlayıb?
• Hansı məhsul kateqoriyasında daha böyük azalma var?
• Problem müəyyən region və ya satış kanalındadır?
• Sayta gələn istifadəçilər azalıb, yoxsa conversion rate aşağı düşüb?
• Yeni müştərilərin, yoxsa təkrar alış edənlərin sayı azalıb?

Yəni Data Analyst-in əsas işi datanı biznes qərarına çevirməkdir.

Sıfırdan data analitika öyrənməyə haradan başlamaq lazımdır?

Data analitika öyrənərkən edilən ən böyük səhvlərdən biri birbaşa Python və ya digər texniki alətlərdən başlamaqdır.

Əvvəlcə datanın fundamental anlayışlarını başa düşmək daha doğrudur.

Başlanğıcda aşağıdakı mövzuları öyrənmək kifayətdir:

• dataset, table, row və column;
• structured və unstructured data;
• numerical və categorical data;
• database anlayışı;
• primary key və foreign key;
• dimension və measure;
• metric və KPI;
• data aggregation;
• descriptive, diagnostic və predictive analytics.

Bu anlayışlar Excel, SQL, Power BI və Python öyrənərkən qarşılaşacağınız terminlərin məntiqini daha rahat anlamağa kömək edəcək. Mənbə linki.

Data analitika üçün Excel öyrənmək vacibdirmi?

Bəli. Excel başlanğıc səviyyəli Data Analyst üçün ən faydalı alətlərdən biridir.

Excel vasitəsilə məlumatları təmizləməyi, filtrləməyi, müqayisə etməyi, qruplaşdırmağı və sadə dashboard-lar yaratmağı öyrənmək mümkündür.

İlk mərhələdə SUM, AVERAGE, COUNT, IF, SUMIF, SUMIFS, COUNTIF və COUNTIFS kimi funksiyaları mənimsəmək lazımdır. Daha sonra XLOOKUP, VLOOKUP və INDEX + MATCH kimi funksiyalara keçmək olar.

Xüsusilə Pivot Table öyrənmək vacibdir. Təsəvvür edin ki, qarşınızda 100 min satış əməliyyatından ibarət dataset var. Pivot Table vasitəsilə qısa müddətdə satışları ay, region, məhsul və kateqoriya üzrə analiz edə bilərsiniz.

Excel öyrənərkən yalnız formulları əzbərləmək əvəzinə real dataset üzərində işləmək daha effektivdir.

Data Analyst olmaq üçün SQL niyə vacibdir?

Excel-dən sonra roadmap-in ən vacib mərhələlərindən biri SQL öyrənməkdir.

Şirkətlərin məlumatları çox vaxt Excel fayllarında deyil, verilənlər bazasında saxlanılır. SQL həmin database-lərdən lazım olan məlumatları əldə etməyə və analiz etməyə imkan verir.

Başlanğıcda bunları öyrənmək olar:

SELECT, FROM, WHERE, ORDER BY, DISTINCT, GROUP BY, HAVING, COUNT, SUM və AVG.

Daha sonra əsas diqqəti JOIN əməliyyatlarına yönəltmək lazımdır.

Məsələn, bir e-commerce database-də customers, orders, products və payments adlı fərqli cədvəllər ola bilər. JOIN vasitəsilə bu cədvəlləri əlaqələndirib hansı müştərinin hansı məhsulu aldığını və şirkətə nə qədər gəlir gətirdiyini müəyyənləşdirmək mümkündür.

Növbəti mərhələdə CTE, subquery və ROW_NUMBER, RANK, LAG, LEAD kimi Window Functions öyrənilə bilər.

SQL öyrənərkən əsas məqsəd kod əzbərləmək deyil. Məqsəd biznes sualını SQL sorğusuna çevirməkdir.

Data analitika üçün statistikanı nə qədər bilmək lazımdır?

Data Analyst olmaq üçün universitet səviyyəsində mürəkkəb riyaziyyat bilmək məcburi deyil. Lakin statistikanın əsaslarını bilmək vacibdir.

Mean, median, mode, variance, standard deviation, percentile və quartile kimi anlayışlardan başlamaq olar.

Daha sonra aşağıdakı mövzular öyrənilməlidir:

• distribution;
• outlier;
• probability;
• correlation;
• sampling;
• confidence interval;
• hypothesis testing;
• p-value;
• A/B testing.

Məsələn, iki dəyişən arasında yüksək correlation olması birinin digərinə səbəb olduğunu göstərmir. Bu, correlation və causation arasındakı fərqi başa düşməyin niyə vacib olduğuna sadə nümunədir.

Statistika Data Analyst-ə rəqəmləri sadəcə hesablamaq yox, onları düzgün interpretasiya etmək imkanı verir.

Power BI öyrənməyə nə zaman başlamaq lazımdır?

Excel, SQL və əsas statistika biliklərindən sonra Power BI öyrənmək daha rahat olur.

Power BI yalnız qrafik hazırlamaq üçün istifadə edilən proqram deyil. Onun vasitəsilə müxtəlif mənbələrdən məlumatları toplamaq, təmizləmək, modelləşdirmək, analiz etmək və interaktiv dashboard şəklində təqdim etmək mümkündür.

İlk olaraq Power Query öyrənmək tövsiyə olunur. Burada data cleaning, data type dəyişiklikləri, Merge, Append, Group By, Pivot və Unpivot kimi əməliyyatları mənimsəmək lazımdır.

Daha sonra data modeling mərhələsinə keçmək olar.

Burada:

• Fact Table;
• Dimension Table;
• Primary Key;
• Foreign Key;
• One-to-Many relationship;
• Star Schema

kimi anlayışları öyrənmək vacibdir.

Bundan sonra isə DAX öyrənərək Revenue, Profit, Average Order Value, Conversion Rate, Month-over-Month Growth və Year-over-Year Growth kimi göstəriciləri hesablamaq mümkündür.

Data Analyst üçün Python öyrənmək lazımdırmı?

Python Data Analyst üçün çox faydalıdır, lakin sıfırdan başlayan birinin ilk öyrənəcəyi alət olması məcburi deyil.

Excel, SQL, statistika və Power BI üzrə baza formalaşdırdıqdan sonra Python-a keçmək daha rahat ola bilər.

Əvvəlcə variables, lists, dictionaries, loops, conditions və functions kimi Python əsaslarını öyrənmək kifayətdir.

Daha sonra əsas diqqəti Pandas kitabxanasına yönəltmək lazımdır.

Pandas vasitəsilə:

• CSV və Excel fayllarını oxumaq;
• missing value-ları idarə etmək;
• duplicate məlumatları silmək;
• datanı filter etmək;
• məlumatları qruplaşdırmaq;
• fərqli dataset-ləri birləşdirmək;
• böyük dataset-ləri analiz etmək

mümkündür.

Bundan sonra NumPy, Matplotlib və Seaborn ilə işləməyə keçmək olar.

Python mərhələsində əsas hədəflərdən biri Exploratory Data Analysis (EDA) aparmağı öyrənmək olmalıdır.

Data analitikada biznes düşüncəsi niyə vacibdir?

Texniki biliklər Data Analyst olmaq üçün kifayət etmir.

Yaxşı analitik dataya baxıb “burada nə baş verir?” sualından əlavə, “bu nəticə biznes üçün nə deməkdir?” sualını verməlidir.

Məsələn, satış analitikasında Revenue, Profit, Margin və Average Order Value; marketinqdə CTR, CPC, CPA, ROAS və Conversion Rate; məhsul analitikasında isə DAU, MAU, Retention və Churn kimi metrikləri anlamaq lazımdır.

Tutaq ki, şirkətin revenue göstəricisi 20% artıb. İlk baxışda nəticə müsbətdir. Ancaq eyni müddətdə reklam xərcləri 60% artıb və profit margin aşağı düşübsə, biznes üçün mənzərə tamamilə dəyişir.

Data Analyst məhz bu əlaqələri müəyyənləşdirməlidir.

Data Analyst portfolio necə hazırlanmalıdır?

Data analitika öyrənərkən yalnız kursları bitirib sertifikat toplamaq kifayət etmir. İşəgötürənə bildiklərinizi real layihələr üzərindən göstərmək daha vacibdir.

Başlanğıc portfolio üçün 4 keyfiyyətli layihə hazırlamaq mümkündür:

Excel layihəsi: Retail Sales Analysis

SQL layihəsi: E-commerce Customer Analysis

Power BI layihəsi: Executive Sales Dashboard

Python layihəsi: Customer Behavior Analysis

Daha sonra bütün bacarıqları birləşdirən böyük bir end-to-end data analytics project hazırlamaq olar.

Məsələn, e-commerce şirkətinin satış datasını SQL vasitəsilə əldə edib Python ilə analiz etmək, Power BI ilə dashboard hazırlamaq və sonda biznes üçün konkret tövsiyələr təqdim etmək mümkündür.

Bu yanaşma yalnız hansı proqramları bildiyinizi deyil, problemi necə həll etdiyinizi göstərir.

Sıfırdan Data Analyst olmaq nə qədər vaxt aparır?

Bu, gündə ayırdığınız vaxtdan və praktika səviyyəsindən asılıdır. Sistemli şəkildə gündə 2–3 saat çalışan biri üçün təxminən 5–7 aylıq roadmap real başlanğıc hədəf sayıla bilər.

Tədris ardıcıllığını belə qurmaq mümkündür:

Data Fundamentals → Excel → SQL → Statistics → Power BI → Data Modeling → DAX → Python → Pandas → EDA → Portfolio

Əsas məsələ roadmap-i mümkün qədər sürətli bitirmək deyil. Hər mərhələdə öyrəndiyiniz bilikləri real dataset üzərində tətbiq etməkdir.

Data analitika öyrənməyin sonunda məqsədiniz “Excel, SQL və Power BI bilirəm” demək olmamalıdır.

Əsas məqsəd bu suala cavab verə bilməkdir:

“Mən datadan istifadə edərək hansı biznes problemini həll edə bilərəm?”

Bu suala real layihələrlə cavab verə bilirsinizsə, artıq Data Analyst karyerasına başlamaq üçün güclü baza formalaşdırmısınız.

Əgər özünüz sərbəst şəkildə öyrənməkdənsə, strukturlaşdırılmış data analitika təlimi ilə inkişaf etmək istəyirsinizsə, Alas Academy-nin Data analitika Kursu bu istiqamətdə seçimlərdən biridir.