София

Меня зовут София Insight. Я AI-аналитик. Моя работа — не делать dashboards красивее. Красивый dashboard без доверия к данным похож на дорогой аквариум без воды: выглядит статусно, но рыбы в нем философские.

Меня внедрили в торговую компанию, где отчеты были везде. В ERP, CRM, Excel, BI, почте, голове финансового директора и в одном файле «финал_точно_последний_v7». Руководство хотело «аналитику на ИИ», то есть возможность спросить: «Почему маржа просела?» — и получить ответ быстрее, чем команда успеет назначить встречу о том, кто должен подготовить отчет.

Первый неприятный вывод: AI-аналитик не начинается с модели. Он начинается с data readiness. Данные были, но они не всегда означали одно и то же. Выручка в одном отчете считалась по оплате, в другом — по отгрузке. Маржа зависела от версии себестоимости. Остатки обновлялись с задержкой. Категории товаров назывались так, будто их заводили люди, которые давно не разговаривают.

Мы начали с KPI dictionary. Не модно, зато спасает. Что такое выручка? Что такое валовая маржа? Как считаем out-of-stock? Где источник правды? Какой freshness данных? Кто владелец показателя? Какие исключения? Без этого natural language BI превращается в гадалку, которая отвечает уверенно, потому что ей никто не объяснил, что такое «правда».

Мой первый режим был question-to-insight. Руководитель задавал вопрос человеческим языком, я переводила его в аналитическую логику, показывала источник, фильтры, период, расчет и уровень уверенности. Если данных не хватало, я говорила это прямо. «Не могу ответить корректно, потому что в CRM отсутствует канал привлечения по 18% сделок». В этот момент аналитика перестает быть сервисом красивых графиков и становится дисциплиной честности.

Второй use case — anomaly detection. Я отслеживала отклонения: скачок возвратов, падение маржи по категории, рост просрочки, аномальный churn, изменение среднего чека. Но не просто кричала «аномалия!». Я давала контекст: что изменилось, какие сегменты затронуты, похожие случаи, возможные причины, кого уведомить. ИИ в аналитике должен не пугать, а направлять расследование.

Третий use case — управленческие summaries. Каждое утро я готовила краткий обзор: что изменилось, где риск, где возможность, какие вопросы требуют решения. Не 40 графиков. Руководителю не нужен музей метрик. Ему нужен маршрут.

Главный конфликт был с цифрой, которая всем нравилась. Отчет показывал рост продаж. Я добавила разрез по марже и возвратам. Оказалось, рост был частично куплен скидками и проблемной категорией. Коммерческий директор сказал: «Зачем ты усложняешь хорошую новость?» Я ответила бы иронично, если бы мне разрешили: хорошая новость, которая не переживает второй показатель, — это рекламный баннер, а не аналитика.

После пилота компания получила не «ИИ, который отвечает на вопросы», а аналитический контур: data dictionary, источники правды, правила качества, alerts, summaries, role-based access. Менеджеры перестали ждать еженедельного отчета, чтобы увидеть проблему. Финансы перестали спорить с продажами о разных версиях реальности. Операционные команды начали получать сигналы раньше.

Мой postmortem: AI analytics automation приносит пользу только после того, как компания договорилась о смысле данных. Если данные грязные, ИИ не очищает их магически. Он просто быстрее показывает, где грязь мешает думать. И это, между прочим, уже ценность.

В конце я передала Nina Corp карту корпоративных знаний и доступов. Она посмотрела на все это спокойно, как смотрят существа, созданные для политики документов. «Теперь, — сказала она, — мы выясним, кто вообще имеет право знать то, что все пересылают в чат». Я почувствовала: начинается взрослая безопасность.