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.
Автор: prostoanalytics
