Нещодавно я збирав для своєї команди Coupler.io свіжі дані про те, як люди використовують Claude для аналітики. Здавалося б, нас складно здивувати: ми самі будуємо дата-платформу з ШІ-аналітикою, стежимо за ринком і добре розуміємо, куди він рухається.
І все ж кілька цифр мене таки здивували. Не напрямок змін, а їхня швидкість. Ще два роки тому ми тільки починали пояснювати аудиторії, що для розмовної аналітики (conversational analytics) потрібно готувати і дані, і процеси навколо них. Сьогодні ж 70% користувачів Claude налаштували його як єдиний інструмент для роботи з даними.
Тобто, для семи з десяти це вже не додаток до звичного BI і не спосіб час від часу перевірити гіпотезу. Це основне місце, де вони ставлять своїм даним запитання.
Якщо ви працюєте з даними, відповідаєте за аналітичні процеси в команді або просто спостерігаєте, як ШІ входить у бізнес, пропоную розібрати разом, що саме змінюється в поведінці людей навколо даних і що це означає для бізнес-аналітики найближчих півроку.
Ваша команда вже розмовляє з даними (навіть якщо ви про це не знаєте)
Коли ШІ почав заходити в робочі процеси, компанії цілком логічно зосередилися на тому, як робити це безпечно: які дані можна передавати моделям, хто має до них доступ, що варто залишати всередині і чи потрібне взагалі якесь схвалення, перш ніж команда почне використовувати ШІ в роботі.
Проблема в тому, що статистика показує іншу послідовність. Люди починають використовувати ШІ для аналітики раніше, ніж компанії встигають запровадити для цього “офіційний” процес чи політику.
Більшість користувачів Claude приходить з особистих імейлів. Приблизно третина — це власники та засновники бізнесів, а серед професійних груп помітну частку становлять маркетологи. При цьому лише 8% користувачів мають у назві посади щось безпосередньо пов’язане з даними.
Для аналітичного інструменту це досить нетипова картина. Ми звикли до іншої послідовності: спочатку компанія збирає дата-команду, потім вона будує BI-систему, налаштовує дашборди, визначає метрики і вже після цього решта команд приходить користуватися результатом.
Звідси й закономірне питання. Якщо ШІ дедалі активніше використовують люди поза дата-командами, чи достатньо їм того, що дають традиційні дашборди?
Тут я мушу сказати непопулярну думку: дашборди потрібні. Попри всі 70%, я б не робив зараз Claude єдиним інструментом бізнес-аналітики. Панель дає те, чого розмова не дає ніколи, — спільну систему координат. Коли п’ятеро людей дивляться на один графік, вони сперечаються про висновки. Коли п’ятеро людей ведуть п’ять окремих розмов з моделлю, вони можуть прийти на зустріч із п’ятьма різними реальностями. Це реальний ризик, і його варто враховувати.
Проте для нетехнічних спеціалістів (і не тільки, звісно) розмова з ШІ швидко стає природним продовженням роботи з даними. Графік у такому сценарії вже не обов’язково є відповіддю, він може бути лише приводом поставити наступне питання, перевірити гіпотезу або зрозуміти, що саме стоїть за побаченою цифрою.
І найцікавіше те, що з часом люди стають у цьому помітно кращими. Про те, як саме змінюється їхній підхід, ділюся далі.
Користувачі вже навчились робити домашню роботу
Я вже згадував, що як дата-платформа ми свого часу одними з перших (на українському ринку) почали говорити не лише про можливість розмовляти з даними через ШІ, а й про те, що якість цієї розмови починається задовго до першого запиту: з підготовки даних, правильного контексту, автоматизації та процесів навколо них.
І останні дані приємно показують: користувачі це теж зрозуміли.
ШІ-аналітика дедалі менше фокусується на завантаженні таблиці і питаннях до Claude, мовляв, що тут цікавого. Люди поступово вибудовують навколо моделі власний аналітичний процес.
Наприклад, 71% користувачів планують автоматичні періодичні оновлення даних, 62% застосовують формульні перетворення, 49% — агрегацію, а близько чверті додатково сортують, фільтрують або об’єднують дані перед передачею моделі.
Фактично, типовий процес уже більше схожий на невеликий ETL-пайплайн, ніж на звичайний чат: дані регулярно надходять, трансформуються і потрапляють до Claude вже підготовленими для аналізу.
І, схоже, ця навичка приходить із практикою. Користувачі Claude, які працюють із системою щонайменше шість місяців, мають приблизно на 10% вищий рівень успішності розмов, ніж нові користувачі, і водночас ставлять складніші запити.
Тобто люди вчаться не просто користуватися AI, а розуміти, як підготувати його до хорошої роботи.
І це, мабуть, одна з найважливіших змін: хороший результат дедалі менше залежить від магічного промпту й дедалі більше — від того, яку домашню роботу з даними ви проробили.
Як не програти нову реальність і на що звертати увагу
Отож, що ми маємо? Наші колеги вже почали використовувати штучний інтелект для аналітики, причому часто самостійно й без складних корпоративних процесів. Вони вчаться ставити кращі питання, готувати дані, автоматизувати їхнє оновлення і поступово будують власні способи роботи з моделями.
Тому я б не намагався зупинити цей процес або централізувати кожен запит. Навпаки, зараз хороший момент подивитися, що команда вже навчилася робити самостійно, і як зробити ці практики сильнішими.
1. Починайте не з вибору моделі, а зі своїх даних
У цьому швидкому світі дуже легко захопитися питанням, яка модель зараз найрозумніша: Claude, ChatGPT чи наступна модель, що вийде за місяць. Але для бізнес-аналітики я б починав зовсім з іншого місця — зі своїх реальних даних і реальних питань бізнесу.
Візьміть кілька задач, які команда регулярно вирішує, і перевірте, як різні інструменти працюють саме з ними. Не просто порівняйте фінальну цифру, а подивіться, чи правильно модель зрозуміла контекст, чи не пропустила важливий фактор і чи можете ви відтворити її висновок.
2. Не намагайтеся врятувати погані дані хорошим промптом
Якщо дані неповні, неактуальні, погано структуровані або в них по-різному визначаються одні й ті самі метрики, жодна модель не зробить із них надійної аналітики.
Саме тому я б зараз витрачав менше часу на пошук ідеального промпту і більше на те, щоб зрозуміти, які дані насправді потрібні моделі для відповіді на конкретне бізнес-питання.
У цьому сенсі ШІ не скасовує звичні правила аналітики. Він, навпаки, робить їх ще помітнішими.
3. Найкращі користувачі ШІ у вашій команді вже вчаться швидше за інших
Якщо у вас є людина, яка постійно експериментує з ШІ, підключає нові джерела, пробує складніші запити й уже знайшла спосіб отримувати з даних більше за інших, це не просто людина, яка добре користується Claude. Вона, скоріш за все, вже напрацьовує нову робочу навичку, яка незабаром стане звичною для всієї команди.
Тому я б не ховав такі експерименти в особистих чатах. Найкорисніше, що можна зробити, — почати ними ділитися. Показати не красивий результат, а сам процес: які дані були використані, що людина запитувала, де модель помилилася, що довелося уточнити і який висновок у результаті виявився справді корисним. Так індивідуальна звичка поступово перетворюється на командну компетенцію.
4. І головне, не відділяйте ШІ-аналітику від самої аналітики
Мені здається, це найважливіше, що варто забрати з усієї цієї історії. ШІ не створює нову дисципліну з нуля. Хороша аналітика все одно починається з хорошого питання, коректних даних, розуміння контексту і здорового скепсису щодо отриманої відповіді.
Тому я не думаю, що майбутнє бізнес-аналітики полягатиме у виборі між дашбордом і чатом з ШІ. Звісно, аналітика поступово перестає бути складним циклом співпраці десятків людей. Вона стає частиною щоденної роботи значно більшої кількості людей: маркетологів, засновників, менеджерів, продуктових команд. А ШІ просто робить цей доступ до даних набагато природнішим.
Утім, разом із доступністю зростає і наша відповідальність за те, що саме ми даємо моделі для аналізу. Бо якою б розумною не була система, вона не знає ваш бізнес краще за вас, якщо ви не надали їй правильного контексту.
Тож майбутнє бізнес-аналітики насправді не стільки про те, як добре ШІ вміє аналізувати дані, скільки про те, як добре ми навчилися готувати дані для розмови з ним.
І якщо після всього цього у вас залишилося відчуття, що найважливіша частина ЩІ-аналітики — не найефектніша, то ви, мабуть, маєте рацію. Бо як не крути, найкращі розмови з даними починаються з хорошої домашньої роботи.