ИИ для бизнес-аналитики: что считает, а где пустая цифра

Коротко: ИИ надёжно считает по данным, которые вы ему дали. Он сведёт выгрузку на тысячу строк в понятную картину, посчитает показатели и доли, выделит из таблицы главное, найдёт закономерность и выброс, которые глазами не поймать. Пустая цифра начинается там, где нужен факт из реального мира, причина или будущее. Машина видит, что прибыль упала, но не знает почему: ушёл крупный клиент, открылся конкурент через дорогу, подняли аренду - этого в ваших цифрах нет. А генеративная модель, которую просто спросили «почему у меня упала выручка», уверенно назовёт причину, которой не знает. Решение и проверку догадки машина не отменяет.

Я пять лет на торгах по банкротству и в недвижимости, сам собираю ИИ-агентов под конкретные задачи бизнеса. И с аналитикой вижу одну и ту же сцену. У владельца цифры есть: выручка, остатки, продажи по месяцам лежат в учёте и в выгрузках. Но лежат мёртвым грузом. Он знает, сколько заработал, но не знает, какой товар тянет маржу вниз, какой клиент приносит убыток под видом оборота и что из этого менять в первую очередь. Он слышит «загрузи данные в нейросеть, она сама проанализирует и подскажет» и ждёт, что машина поставит диагноз его делу.

Эта статья про границу: что в аналитике своих цифр отдать машине, а что обязательно оставить за собой. Речь про обычный бизнес на земле - торговлю, услуги, производство, - а не про корпорацию с отделом аналитиков. Это не реклама конкретной BI-системы и не разбор одной программы. Я показываю, где ИИ с вашими данными помогает, а где подставляет уверенный, но пустой вывод.

Что ИИ надёжно считает в бизнес-аналитике

Начну с того, что работает, потому что это и есть та часть, которую стоит отдать машине. ИИ хорошо справляется с данными, которые вы ему принесли. Яндекс прямо относит к задачам, важным для бизнеса, работу «от суммаризации документа до выделения из текста важных данных». Аналитика своих цифр - это как раз переработка таблиц и выгрузок, и большую часть ручной возни по ним можно снять.

Вот где ИИ реально экономит время в разборе своих данных:

• Свод выгрузки в понятную картину. Сделать из таблицы на тысячу строк короткий человеческий ответ: где выручка просела, какие позиции дали основную прибыль, у каких клиентов средний чек упал. Модель перерабатывает ту таблицу, которую вы ей дали, и достаёт из неё главное.
• Показатели и доли. Посчитать маржу по товарам, долю каждого клиента в обороте, динамику месяц к месяцу - арифметику, которую вы и сами бы свели, но на которую нет времени. Считать по заданным цифрам машина умеет надёжно.
• Поиск закономерностей и выбросов. Увидеть в данных то, что глазами не сведёшь: что продажи этого товара всегда растут перед праздниками, а вот этот клиент последние три месяца берёт всё меньше. Это узоры в ваших же цифрах.
• Объяснение простым языком. Перевести сухую таблицу в человеческие фразы, чтобы не держать в голове сводную. Это та же суммаризация, с которой модель справляется.

Такую работу давно делают и обычные BI-системы без всякого чата. Например, «1С:Аналитика» - это, по описанию разработчика, «BI-система, которая поможет вам в работе с аналитическими данными». В ней можно, по тем же словам, «получить сводную информацию по всем записям» и «детализировать эти данные до отдельного документа». Это заявление производителя, не независимый тест. Но механику надёжной части оно показывает точно: свод своих цифр и спуск от общей суммы к конкретной продаже.

Общий признак надёжной части: машина приводит в порядок и считает то, что уже есть в ваших выгрузках. Она не достаёт факты из воздуха, поэтому этой части можно доверять с обычной сверкой. Здесь важно не путать аналитику с регулярным отчётом. Отчёт показывает, что было: сколько продали вчера и за месяц. Эту задачу я отдельно разбирал в ИИ-агенте для отчётов. Аналитика отвечает на другой вопрос - почему так вышло и что менять. Если вы только присматриваетесь, с чего вообще начать применять ИИ в деле, у меня есть разбор автоматизация бизнеса с помощью ИИ: с чего начать. Проблемы начинаются там, где вы просите машину объяснить то, причин чего в данных нет.

Почему машина не знает причину

Это главная ловушка аналитики. Машина отлично видит, ЧТО изменилось в данных, но не знает, ПОЧЕМУ, если причины нет в самих цифрах. А причина чаще всего снаружи: ушёл крупный клиент к конкуренту, в соседнем доме открылась точка, поднялась аренда, уволился сильный продавец, сломалась витрина на сайте. В выгрузке продаж этого нет - есть только падение. Машина падение покажет, но объяснить его может лишь тем, что лежит в таблице.

Отсюда вторая ошибка, в которую легко попасть, - принять совпадение за причину. Если выручка упала в тот же месяц, когда вы сменили поставщика, модель может связать одно с другим. Но рядом по времени не значит из-за этого: в тот же месяц были майские праздники, и просел весь рынок. В данных видно, что две цифры двигались вместе, а что из них причина, а что просто совпало, цифры не говорят. Это решаете вы, зная свой месяц.

Слева - что машина видит в цифрах: падение и совпадения во времени. Справа - настоящие причины, которые лежат вне данных, поэтому машина их не знает.

Поэтому вывод машины про ваши данные - это гипотеза, а не диагноз. «Прибыль просела из-за роста скидок» звучит убедительно, но проверить это - на вас: открыть, кому давали скидки, и вспомнить, почему. Зато сужать круг она помогает: честно покажет, что просела именно эта группа товаров у именно этих клиентов, - а дальше вы прикладываете знание, которого у неё нет. Если же вам нужен разбор не своих цифр, а внешнего рынка - спроса, конкурентов, цен в нише, - это соседняя задача, я разбирал её в нейросети для анализа рынка.

Где аналитика превращается в пустую цифру

Самое опасное в аналитике - не ошибка, которую видно, а уверенный вывод, за которым ничего нет. У генеративных моделей есть одна особенность: они не признаются, что не знают. Сам Яндекс про них говорит прямо - модели иногда «дают выдуманные или некорректные ответы в ситуациях, когда не могут найти правильный». То есть когда данных не хватает, модель не молчит, а подставляет правдоподобное.

И это не редкий сбой. По замеру самого Яндекса, у обновлённой YandexGPT при той же доле отказов «процент неправильных ответов снизился с 30% до 16% по сравнению с предыдущей моделью». Это про улучшенную версию, и всё равно примерно каждый шестой ответ, на который модель решилась, остаётся неверным. Для аналитики, где с цифры начинается решение о деньгах, этого хватает, чтобы не верить вслепую.

Вот где в разборе данных чаще всего рождается пустая цифра:

• Вывод, которого нет в данных. Спросите «почему у меня упала прибыль» в чате, не дав ни одной выгрузки, - и модель назовёт причину. Любую. Она ниоткуда не взята, её просто придумали под правдоподобный ответ. Диагноз делу ставит разбор ваших цифр. Сама языковая модель его не поставит.
• Красивое число из воздуха. Попросите «посчитай мою маржу», не дав себестоимости, - и модель может выдать ровный процент, подобрав недостающее. Если в данных нет закупочных цен, точной маржи там взяться неоткуда.
• Совпадение под видом причины. Модель охотно связывает то, что двигалось вместе. Проверить, причина это или случайность, она не может - только вы.
• Прогноз как обещание. Если вы попросите продолжить тренд в будущее, выйдет красивая линия. Это сценарий по прошлому. Гарантии, что так и будет, он не даёт: что изменится снаружи, в прошлых цифрах не записано.
• Очень большая выгрузка за один раз. У модели есть предел объёма данных, который она обрабатывает за раз. Тесты на длинный контекст у Яндекса идут на документах, «составленный из финансовых вопросов к длинным документам (до 32K токенов)». Годовую выгрузку на десятки тысяч строк в один запрос целиком не вместить, и часть данных выпадет из анализа молча - а вывод будет уверенным, будто учтено всё.

Слева - то, что ИИ делает с вашими данными надёжно. Справа - причина, проверка догадки и решение, которые держатся на знании дела и остаются за вами.

Проще держать в голове одно правило. Как только в ответе появляется причина, вывод или число, которого вы машине не давали, считайте это гипотезой. Фактом оно станет после сверки с данными и с тем, что вы знаете про свой месяц. Почему модель так уверенно выдаёт то, чего нет, я разбирал в понятии выдумка машины. А про предел объёма данных за один раз - в понятии окно памяти.

Как подключить ИИ к своим цифрам по шагам

Чтобы это не осталось общими словами, вот порядок, по которому имеет смысл подключать ИИ к аналитике, не подставляясь. Машина здесь - счётчик и сводчик по вашим данным, а не советчик, который знает ваше дело.

1. Сначала приведите данные в порядок. ИИ считает от того, что вы дали. Если в выгрузке перепутаны категории, нет себестоимости или свалены разные периоды, вывод будет аккуратным и неверным. Чистая, полная выгрузка - это фундамент, а не этап «потом».
2. Задайте модели роль и рамки. Опишите, что она работает только с той выгрузкой, которую вы дали, считает по ней и не придумывает причин и чисел, которых в данных нет. Системная инструкция держится крепко: как пишет Яндекс, «модель будет придерживаться инструкций, даже если пользователь явно требует отвечать иначе». Это снижает выдумку, хотя и не убирает её полностью.
3. Начните со свода, а не с вопроса «почему». Самая безопасная задача - попросить свести выгрузку: показатели, доли, динамику. Ошибку в арифметике видно сразу при сверке, а пользы много. Вопрос «почему так вышло» оставьте на потом и относитесь к ответу как к версии.
4. Проверяйте каждый вывод по данным. Модель сказала «просела эта группа товаров» - откройте её и посмотрите. Первые недели сверяйте выводы с выгрузкой глазами, пока не поймёте, где машина надёжна, а где фантазирует.
5. Большую выгрузку режьте на части. Не суйте годовую таблицу на десятки тысяч строк в один запрос: разбивайте по месяцам, категориям или складам, иначе часть данных выпадет молча, а ответ будет уверенным.
6. Причину и решение оставьте за собой. Машина сужает круг - показывает, где именно просело. Почему и что менять, решаете вы, приложив знание своего рынка, которого у неё нет.

Для простого свода не обязательно поднимать отдельную систему: такую аналитику по своим данным дают и готовые BI-инструменты. У той же «1С:Аналитики» разработчик обещает «простой и удобный интерфейс для бизнес-пользователей, который не требует специальных навыков». Выбор между чатом с моделью и такой системой - это вопрос того, насколько регулярно и глубоко вы копаете; и то, и другое работает по вашим данным.

Несложное правило на каждом шаге: если вывод можно открыть и показать пальцем в данных, он идёт в работу. Если причину или число назвала только модель, это вопрос, а не факт. Разобрать именно вашу задачу с цифрами можно за полминуты на странице услуг.

Частые ошибки и когда ИИ не ваш случай

• Спросить причину, не дав данных. Модель назовёт причину из воздуха. Диагноз ставит разбор ваших цифр, а не чат без выгрузки.
• Принять уверенный тон за понимание. Модель одинаково ровно выдаёт и верный расчёт, и выдуманный вывод. Тон - не признак надёжности.
• Спутать совпадение с причиной. Две цифры двигались вместе - это ещё не связь. Проверяете вы, зная свой месяц.
• Принять прогноз за обещание. Продолжение тренда - это сценарий по прошлому, а не гарантия будущего.
• Залить всю выгрузку одним запросом. Часть выпадет из окна памяти без предупреждения. Режьте на части.
• Отдать модели решение. Что менять в деле, решаете вы. Где ещё ИИ подставляет пустую цифру в бизнесе, я разбирал в рисках внедрения ИИ-агентов. А как ИИ готовит руководителю короткую сводку по делу - в ИИ-помощнике для руководителя.

Когда ИИ тут вообще не ваш случай: если у вас десяток сделок в месяц и всё видно в одной таблице, городить аналитику дороже, чем посмотреть глазами. А вот если данных много и вы давно не понимаете, где именно утекает прибыль, разделение труда разгружает заметно. ИИ берёт свод и поиск закономерностей, вы - причину и решение. Если же задача ближе к учёту денег и первичке, а не к разбору, это соседняя тема - нейросети для бухгалтера.

Если коротко: ИИ ускоряет аналитику там, где надо переработать и посчитать ваши данные, и подводит там, где нужна причина из реального мира или знание будущего. Держите эту границу - и машина из генератора правдоподобных выводов превращается в нормального помощника.

Источники

Хотите, чтобы я посмотрел на вашу задачу? Скажу, где ИИ в ваших цифрах посчитает и подскажет, а где подставит пустой вывод. Это четыре вопроса и полминуты на странице услуг.