Аналитика сейчас изменяется, если раньше чтобы понять в каких регионах сильнее всего снизились те же продажи, либо выросла текучесть нужно было неплохо так шарить за сбор данных, их обработку и статистику, то сейчас всё намного проще.

Мало того, что ИИ позволяет обрабатывать и разбирать данные намного быстрее, чем это делалось вручную, так еще и современные BI системы уже позволяют внутри себя задавать вопросы к данным. Это я узнал не так давно, так как сам с этим не сталкивался еще, но это натолкнуло меня на размышления аналитического бытия.

Прощай, часть работы

Я это аналитикой не считаю, но тем не менее, многие это так и воспринимают, поэтому нужно об этом сказать.

Большой пласт задач называется аналитикой, потому что кто‑то другой не может получить цифру. Это может быть цифра продаж за март или сравнить показатель за пару лет. И большая часть таких запросов сама по себе не требует сложного аналитического мышления. Ценность здесь во многом заключается в том, что аналитик умеет воспользоваться инструментами и может достаточно быстро достать нужную информацию.

И вот такого рода задачи уже вполне можно отдавать ИИ.

И да, если раньше подразделению N требовалось пять аналитиков, потому что руководители постоянно приходили к ним с небольшими запросами, выгрузками, графиками и разрезами, то с ИИ (после пару кругов настройки интеграций между системами учета, хранилищем и BI) такие запросы можно через личный кабинет в BI инструменте решать.

Очевидно, что в таком случае вместо пяти аналитиков может быть достаточно и трех.

Доступ к аналитике и сама аналитика не одно и то же

Едем дальше, уже непосредственно в аналитику.

Вообще, запрос от руководителя «Покажи регионы где выросла текучесть за полгода сильнее всего» достаточно сложен в реализации, потому что кто‑то заранее должен был решить, что именно компания считает текучестью.

И таких особенностей при работе практически с любой метрикой довольно много, пару на‑вскидку:

  • учитывать ли внутренние перевода;

  • как учитывать организационные изменения;

  • считать увольнения относительно средней или численности на последнюю дату периода;

  • как учитывать подразделение сотрудника, который в середине месяца сменил команду.

И поэтому следующая мысль, что чем легче становится задавать вопросы к данным, тем важнее становится качества.

Одна фундаментальная проблема

В большинстве своем пользователи не знают, что им нужно. И если модель ИИ, которую использует компания слабая, то на запрос в стиле «Глянь что с продажами происходит» получится очень неплохой бульон.

Вообще, значительная часть хорошей аналитики заключается в том, чтобы сначала понять, какой вопрос вообще нужно задать. И здесь ИИ пока скорее усиливает хорошего специалиста, чем полностью его заменяет.

Да и далеко не каждый пользователь будет гонять ИИ с просьбой дополнительно сделать Z‑оценку или убедиться в статистической значимости или аномальность изменений проверить через robust z.

Плохая аналитика стала дешевой

В продолжение прошлого раздела. Раньше для того, чтобы сделать плохой анализ, человеку хотя бы требовалось потратить на него некоторое время, а сейчас можно попросить ИИ посчитать корреляции, сделать несколько графиков, выделить основные факторы и написать десять выводов буквально за пару минут.

Это реально круто, но есть риски в таком подходе, потому что:

  • корреляция не означает причинность;

  • среднее может быть бессмысленным для перекошенного распределения;

  • неполные периоды нельзя сравнивать между собой;

  • хороший коэффициент модели вовсе не означает, что из нее можно делать бизнес‑выводы.

Если прям очень кратко, то такое распространение аналитики может способствовать искаженным выводам.

Если ИИ станет очень хорошим

Есть еще вариант, когда компания создает настолько качественный и что важно — единый слой данных, всё стандартизирует и хорошо описывает бизнес‑логику. И туда еще ИИ ассистента добавляет.

И реально, большинство пользователей начинают самостоятельно получать большую часть нужной им аналитической информации по щелчку ЛКМ.

Такой апокалипсис для аналитика.

И тут, конечно много аналитиков попадет под удар. Вместо условных 50 аналитиков компании может будет нужно 15. Но скорее всего эти 15 будут сильными аналитиками: будут решать более сложные задачи и скорее всего будут стоить дороже (но это не точно).

Такой сценарий мне кажется вполне реалистичным, особенно для компаний, где аналитические подразделения сегодня во многом заняты производством отчетов и поддержкой похожих дашбордов.

Я бы сказал, что скорее всего будет некоторая поляризация:

  • сильные аналитики будут более востребованными и смогут удержаться в компаниях даже после внедрения ИИ;

  • а менее квалифицированные скорее всего сменят работу в те компании, где еще нет ИИ;

  • вход в профессию будет немного осложнен и самих аналитиков будет меньше.

Я регулярно разбираю такие темы в своём Telegram‑канале, если вам интересно глубже понимать аналитику, экономику и рынок труда, там регулярно выходят короткие заметки и обзоры актуальных событий.