Какие аналитические задачи компания отдаёт ИИ

ИИ для аналитики в компании — это черновик вывода из выгрузки данных, объяснение отклонения и вопрос к таблице обычным языком, без подмены аналитика с доступом к исходнику. Отчёт по рекламе или продажам за месяц компания часто пересобирает вручную из одной и той же выгрузки. Ответ, который проверяется исходной таблицей за минуту, берёт на себя модель; ответ, где нужен опыт и контекст рынка, остаётся за аналитиком.

Задачи для черновика

Пять задач повторяются в аналитической работе почти любой компании: продажи, реклама, склад — источники разные, а логика запроса к модели одна и та же.

• Вывод из выгрузки — продажи, реклама или склад за период
• Объяснение отклонения — почему цифра выросла или упала против плана
• Черновик управленческого отчёта — сборка текста вокруг готовых цифр
• Вопрос к данным обычным языком — без формулы и сводной таблицы
• Поиск ошибки в таблице — задвоенная строка, неверная формула, пропуск периода

Формулировка вопроса к данным обычным языком снимает лишний шаг — без вызова аналитика ради одной сводной таблицы: сотрудник без навыка формул спрашивает модель напрямую и получает цифру сам, аналитика для одной сводной таблицы звать уже незачем. Аналитик в это время занимается задачей с более высокой ценой ошибки — там, где вопрос без готового источника факта требует контекста рынка и личного опыта поверх обычного доступа к выгрузке.

Руководитель спрашивает, почему конверсия упала за неделю. Модель предлагает три версии — сезонность, технический сбой на сайте, изменение цены у конкурента, — а аналитик проверяет каждую по своему источнику и оставляет в отчёте только подтверждённую версию.

Частный разбор отчёта по рекламе — в статье ИИ для отчётов вместо аналитика, а сборка дашборда прямо из выгрузки CRM — в материале нейросеть для дашборда из выгрузки CRM. Здесь — общая карта задач и правило, где проверять цифру; частный разбор конкретного отчёта — в двух статьях выше.

Зона риска модели

Решение без проверки исходника и прогноз, представленный как факт, — две зоны, где черновик модели остаётся черновиком и требует проверки перед показом руководителю.

• Итоговое управленческое решение по цифре — черновик модели, финальный вывод аналитика
• Прогноз на будущий период — версия модели по истории данных, без статуса гарантированного факта
• Оценка нового рынка без исторических данных — общее мнение вместо результата расчёта
• Причина отклонения без доступа к исходной выгрузке — версия для проверки вместо финального вывода

Для интернет-магазина и маркетплейса аналитика продаж держится на собственном наборе метрик и площадок — частный разбор в статье ИИ для аналитики продаж на маркетплейсах. Общий принцип переносится, меняется набор источников данных.

Отдельный вопрос — готовые BI-дашборды с фильтрами и графиками против диалога с моделью на обычном языке. Дашборд хорош там, где вопрос заранее известен и повторяется каждую неделю, а разговор с нейросетью выигрывает, когда вопрос меняется от раза к разу и формулировать его заранее как фильтр в дашборде неудобно. На практике компании держат оба инструмента рядом: дашборд под регулярный отчёт, диалог с моделью под разовый нестандартный вопрос к тем же данным.

Как проверять цифры

Три привычки снимают почти весь риск ошибки в выводе модели — сверка с исходником, контрольная сумма и повторный вопрос иначе; проверка формул в самой таблице — тема статьи ИИ для Excel и таблиц.

1. Сверьте итоговую цифру модели с исходной таблицей вручную
2. Посчитайте контрольную сумму по ключевой строке отдельно
3. Задайте тот же вопрос иначе и сравните два ответа модели
4. Проверьте период выгрузки — модель иногда путает месяц или квартал
5. Отметьте цифру как проверенную перед тем, как она уйдёт в отчёт руководителю

Типичная ошибка внедрения — принять первый ответ модели за готовую цифру без повторного вопроса. По нашему опыту, две разные формулировки одного вопроса к одной и той же выгрузке иногда дают разный итог — это сигнал заново свериться с исходной таблицей и разобраться в причине расхождения.

Данные и модель

Данные компании делятся на две группы перед тем, как уходят в нейросеть, — обезличенные для облачного сервиса и чувствительные для закрытого контура на своём сервере.

Представьте: пришла выгрузка по рекламе за месяц, а бюджет по одной из кампаний вырос вдвое против плана. Черновик от модели предлагает три вероятные причины — рост ставки на аукционе, новую кампанию без ограничения бюджета, сбой в правиле автоматизации — а аналитик сверяет версию с рекламным кабинетом и решает, какая причина верна. Для регулярной работы с такой выгрузкой чаще ставят открытую модель вроде DeepSeek на арендованном сервере — тогда цифры компании остаются внутри своего контура.

Для большого архива отчётов и таблиц за несколько лет прямая вставка всего массива в один запрос упирается в объём, который модель способна удержать разом. В такой ситуации помогает поиск по документам — общий разбор технологии в статье про RAG: под конкретный запрос система находит нужный фрагмент выгрузки и передаёт в работу только его, а весь архив остаётся за кадром.

Первый шаг сегодня

Начать разумно с одной задачи: модель встраивают в существующий процесс, а перестройку всей аналитики компании оставляют на потом. Первую неделю обычно тратят на сбор обезличенной выгрузки и проверку черновика вручную, вторую — на сравнение версии модели с фактом по итогам месяца; решение о расширении на вторую задачу принимают уже осознанно, опираясь на это сравнение.

Сборку контура для регулярной аналитики — от промпта до связки с источником данных — разбирают на аудите по ИИ-консалтингу. Полный разбор задачи «аналитик под ключ» без цифр, зато с логикой состава работ, — в статье ИИ-аналитик данных под ключ для бизнеса.

Частые вопросы