AI для аналитики и отчётов: вопросы к базе обычным языком — и риск красивых неверных цифр

Какую боль это закрывает

В большинстве компаний данные лежат кусками: продажи в CRM, деньги в учётной системе, трафик в веб-аналитике, склад в отдельной базе, часть — в чьих-то таблицах. Чтобы ответить на простой вопрос руководителя, кто-то должен выгрузить три источника, свести их в таблице и посчитать. Это занимает часы, делается раз в месяц и к моменту готовности отчёта уже описывает прошлое.

Второй слой боли — очередь к аналитику. Любой уточняющий вопрос стоит дня ожидания, поэтому руководители перестают их задавать и работают с тем отчётом, который есть. Решения принимаются не на данных, а на памяти и ощущениях.

Три сценария, которые реально работают

1. Сборка регулярного отчёта из разрозненных источников

Система по расписанию забирает данные из всех систем, приводит к общей структуре, считает согласованные показатели и формирует отчёт с текстовыми комментариями об изменениях. Человек получает готовый документ, а не задачу «сделать отчёт».

Что здесь делает именно AI: сводит несогласованные справочники (один и тот же контрагент называется по-разному в трёх системах), классифицирует записи по категориям, пишет человеческое резюме к цифрам. Само вычисление показателей должно делать не он, а детерминированный запрос.

2. Вопросы к данным на естественном языке

Руководитель спрашивает: «сколько сделок на этапе согласования дольше двух недель, по менеджерам». Система превращает вопрос в запрос к базе, выполняет его и показывает результат вместе с самим запросом.

Последнее — обязательное условие, а не украшение. Видимый запрос позволяет проверить, что система поняла вопрос так же, как вы. Без него вы получаете число из ниоткуда.

3. Объяснение отклонений

Показатель ушёл вниз — система раскладывает изменение по срезам и показывает, какие из них дали основной вклад. Это не «объяснение причины», а сужение зоны поиска: не «весь бизнес упал», а «упал один канал в одном регионе». Дальше думает человек.

Главный риск: правдоподобная неправда

Языковая модель по своей природе порождает связный текст. Она не умеет промолчать — на любой вопрос будет получен уверенный ответ. В аналитике это опаснее, чем где бы то ни было, потому что ошибка приходит в виде числа, а числам верят.

Как именно ломается аналитика на AI:

Последняя строка — самая коварная. Если источник не ответил, а система всё равно сформировала отчёт, вы получите красивый документ с заниженными цифрами и никакого признака проблемы. Отчёт обязан явно сообщать: данные за такой-то период неполные.

Что нужно сделать до внедрения

Аналитика на AI не создаёт порядок в данных — она делает беспорядок быстрее и убедительнее. Минимальная подготовка:

1. Свести данные в одно место. Пока источники живут отдельно, каждый вопрос требует ручной сборки. Подробно об этом — в статье как подготовить данные для AI.
2. Составить словарь показателей. Что такое «активный клиент», «выручка», «конверсия» — в одной формулировке, с указанием полей и фильтров. Это самый недооценённый документ в проекте и главная причина разночтений.
3. Договориться о справочниках. Один клиент — один идентификатор во всех системах.
4. Настроить права доступа. Система, отвечающая на вопросы к базе, должна видеть ровно то, что положено видеть спрашивающему. Иначе через удобный интерфейс утекает зарплатная ведомость.
5. Определить, что считается эталоном. Если новая система и старый отчёт расходятся, должно быть понятно, кто прав.

Как проверять систему на старте

Не запускайте аналитику в работу без периода параллельного счёта. Практический порядок:

• Возьмите 15–20 вопросов, на которые вы точно знаете ответ, и задайте их системе. Расхождения покажут, где сломаны определения.
• Задайте один и тот же вопрос в трёх разных формулировках. Разные ответы — признак того, что определения не зафиксированы.
• Задайте вопрос, на который данных нет вообще. Правильное поведение — «данных недостаточно», а не изобретательный ответ.
• Проверьте граничные периоды: конец месяца, високосный день, сделки в последний день квартала.
• Сверьте итоги с бухгалтерией хотя бы за один закрытый период.

Если система не проходит третий пункт — не запускайте её вообще. Модель, которая не умеет сказать «не знаю», в аналитике опаснее отсутствия аналитики.

Границы применения

Честный список того, чего от такой системы ждать не надо:

• Она не заменяет BI. Регулярные отчёты с фиксированной логикой должны считаться детерминированно, в витринах и дашбордах. AI закрывает разовые вопросы и объяснения.
• Она не находит причины. Она находит корреляции в срезах. Причина — это гипотеза человека, которую надо проверять.
• Она не прогнозирует бизнес. Любой «прогноз выручки» от языковой модели без нормальной модели прогнозирования — это правдоподобная цифра, ничем не обеспеченная.
• Она не чинит данные. Дубли, пропуски и разные форматы никуда не денутся.
• Она не снимает ответственность. Решение принимает руководитель, и ссылка на систему его не защитит.

С чего начать практически

Разумный первый шаг — не «спрашивай что угодно у всей базы», а узкая витрина под конкретную зону. Например, только воронка продаж, только за последний год, только с десятью согласованными показателями.

1. Выберите одну зону, где вопросы задают чаще всего.
2. Соберите под неё витрину и опишите показатели.
3. Подключите вопросы на естественном языке с обязательным показом запроса.
4. Месяц считайте параллельно со старым способом.
5. Совпало — расширяйте на следующую зону. Не совпало — чините определения, а не модель.

Как оценивать результат в деньгах и часах, разбирали в материале как измерить эффект от внедрения AI. Про типовые провалы на старте — ошибки внедрения AI в бизнесе. Если аналитика нужна собственнику лично, посмотрите также AI-инструменты для собственника и AI-ассистента на базе знаний компании.

Аналитика на AI полезна ровно настолько, насколько прослеживаемы её цифры. Всё, что нельзя перепроверить за минуту, лучше не показывать руководителю вовсе. — команда Aivonix

Коротко

• Ценность — в скорости ответа на вопрос, а не в качестве вычислений.
• Показатели считает детерминированный запрос, AI формулирует и объясняет.
• Запрос всегда видим и воспроизводим вручную.
• Система обязана уметь отвечать «данных недостаточно».
• Неполные данные — явный сигнал, а не тихо собранный отчёт.
• Словарь показателей важнее выбора модели.