Аналитика перестаёт быть привилегией тех, кто умеет работать с данными: сегодня ИИ и BI-системы позволяют задавать вопросы к цифрам прямо в интерфейсе, без глубокого погружения в статистику.
Раньше, чтобы понять, где сильнее упали продажи или выросла текучесть, приходилось серьёзно разбираться в сборе, обработке и анализе данных. Сейчас задача упростилась: ИИ обрабатывает информацию быстрее ручного труда, а современные BI-инструменты дают возможность формулировать запросы к данным прямо внутри системы.
Значительная часть того, что принято называть аналитикой, — это просто извлечение цифры, которую кто-то другой получить не может: продажи за март, сравнение показателей за пару лет. Сложного мышления такие запросы не требуют, ценность здесь в умении воспользоваться инструментом. Именно эти задачи ИИ уже забирает. Если раньше подразделению нужно было пять аналитиков из-за постоянных мелких запросов и выгрузок, то после настройки интеграций между учётными системами, хранилищем и BI достаточно трёх: руководители сами решают такие вопросы через личный кабинет.
Но доступ к аналитике и сама аналитика — не одно и то же. Запрос вроде «покажи регионы с наибольшим ростом текучести за полгода» сложен в реализации: кто-то заранее должен определить, что компания считает текучестью. Учитывать ли внутренние переводы, как отражать организационные изменения, считать увольнения от средней численности или на последнюю дату периода, как быть с сотрудником, сменившим команду в середине месяца. Чем проще задавать вопросы к данным, тем важнее становится качество методологического слоя.
Пользователи часто не знают, что именно им нужно. Если модель ИИ слабая, на запрос «посмотри, что с продажами» получится настоящий бульон. Хорошая аналитика во многом начинается с понимания, какой вопрос стоит задать. И здесь ИИ пока усиливает грамотного специалиста, а не заменяет его. Мало кто будет просить ИИ дополнительно посчитать Z-оценку, проверить статистическую значимость или аномальность изменений через robust z.
Обратная сторона — плохая аналитика подешевела. Раньше на неё требовалось время, теперь можно за пару минут попросить ИИ посчитать корреляции, построить графики, выделить факторы и написать десять выводов. Риски очевидны: корреляция не означает причинность, среднее бессмысленно для перекошенного распределения, неполные периоды нельзя сравнивать, а хороший коэффициент модели не гарантирует бизнес-выводов. Всё это ведёт к искажённым заключениям.
Если компания выстроит единый слой данных, стандартизирует и опишет бизнес-логику, добавит ИИ-ассистента — большинство пользователей начнёт получать нужную аналитику в один клик. Для аналитиков это тревожный сценарий: вместо 50 специалистов может хватить 15, но это будут сильные кадры, решающие сложные задачи и, вероятно, дороже стоящие. Скорее всего произойдёт поляризация: сильные аналитики останутся востребованными и после внедрения ИИ, менее квалифицированные перейдут в компании, где ИИ ещё нет, а вход в профессию усложнится и самих аналитиков станет меньше.
Загрузка...
