🗣Data Driven Top100На прошлой неделе был на конференции Data Driven Top100. Это очень ламповая конференция для руководителей аналитики, а сам формат больше похож на обсуждение и обмен опытом, чем выступления со слайдами. Организует конфу — Женя Козлов, бывший хэд аналитики Такси, а сейчас CDO нескольких стартапов. Основными темами конференции были ИИ и работа с командой. Делюсь с вами основными мыслями и инсайтами. NL2SQL агентыМногие делают NL2SQL агентов (с человеческого на SQL-ный), чтобы ускорить работу аналитиков и снять поток запросов от бизнес-пользователей. Это явный тренд и многие городят что-то свое. Запомнились пару идей:— Ребята из Магнита добавляют в контекст для бота не только мета-данные про таблицы, но и все существующие запросы, которые приходят в базу данных (например от DataLens). Идея в том, что если чаще всего в запросах есть какие-то фильтры (например, оставлять только успешные заказы), то на запрос «Сколько было заказов в октябре?» бот подтянет этот фильтр автоматом.— Ребята из Яндекса попробовали очень много интересного: подмешивать в RAG не только векторный, но и полнотекстовый поиск; использовать SGR, вместо большой модели; делать отдельно планировщика и судью на базе других моделей; давать готовые аналитические питон скрипты как готовые тулы для моделей и т.п. Прям огромная работа. Но больше всего качество как всегда больше всего зависит от мета-данных. У ребят будет подробный рассказ про подход на грядущем Матемаркетинге, советую.— Ребята из Crazy Panda вообще не отдают в ИИ-данные, а только генерят с помощью ИИ псевдо-SQL язык, который потом просто выводит данные и графики в кастомной BI-системе. Супер безопасно и меньше пространства для галлюцинаций. — А ребята из Островка пошли путем не городить своё, а попробовать подключить базу, каталог данных и базу знаний через MCP к курсору, получилось лучше и быстрее, чем когда они пробовали сделать что-то своё.Ещё обсуждали, что ИИ-шки помогают делать быстрее выводы из АБ-тестов и писать код, но на этом всё использование ИИ именно для аналитики и закончилось. Общий консенсус — работа аналитика явно уже не будет такой как прежде, но что именно измениться точно пока не понятно. При этом не услышал, что есть какие-то централизованные обучения и программы по внедрению AI внутри компаний, хотя некоторые делают Вайбатоны и внедряют инструменты типа Cursor. AI в продукте— Основные большие внедрения ИИ в бизнесе — это автоматизация поддержка во внутренних и клиентских процессах. Что-то делается супер кастомное (как в огромном Т-Банке), что-то со своими подходами, но скорее на общих инструментах как Я.Финтехе, а что-то используя инструменты типа n8n, а иногда даже и просто с помощью системных промптов чата-джпт. — Были кейсы продуктов с ИИ-аватарами, которые общаются с пользователями для развлечения и собственно являются продуктом. Там много технических задач как это делать дешево и безопасно.— Ребята из HH показали набор ботов и автоматизаций на базе ИИ, которые упрощают работу рекрутеров по поиску кандидатов и созданию вакансий.— Ещё были кейсы автоматизации документооборота в большом банке и строительной компании и разметка данных для поисковой оптимизации в Preplexity.В целом прикольные кейсы, но опять же не увидел чего-то волшебного. Кажется, что сейчас происходит нормальное нехайповое внедрение ИИ-шек в продукты, планомерное развитие и интеграция, а не радикальная смена каких-то концепций. Работа с заказчиками и командойТут было интересно послушать про разный опыт коллег, но в целом вывод как всегда один, главное в работе аналитика — это умение общаться, критически мыслить и любить закапываться в детали, а не технические знания. Жалко только, что эти навыки аналитики качают реже, чем технические 🤪Спасибо всем участникам конфы, было очень круто!#конференция🗣Data Driven Top100На прошлой неделе был на конференции https://datadrivenconf.com/ru/. Это очень ламповая конференция для руководителей аналитики, а сам формат больше похож на обсуждение и обмен опытом, чем выступления со слайдами. Организует конфу —
https://t.me/secretofnoodlesoup, бывший хэд аналитики Такси, а сейчас CDO нескольких стартапов. Основными темами конференции были ИИ и работа с командой. Делюсь с вами основными мыслями и инсайтами.
NL2SQL агенты
Многие делают NL2SQL агентов (с человеческого на SQL-ный), чтобы ускорить работу аналитиков и снять поток запросов от бизнес-пользователей. Это явный тренд и многие городят что-то свое. Запомнились пару идей:
— Ребята из Магнита добавляют в контекст для бота не только мета-данные про таблицы, но и все существующие запросы, которые приходят в базу данных (например от DataLens). Идея в том, что если чаще всего в запросах есть какие-то фильтры (например, оставлять только успешные заказы), то на запрос «Сколько было заказов в октябре?» бот подтянет этот фильтр автоматом.
— Ребята из Яндекса попробовали очень много интересного: подмешивать в RAG не только векторный, но и полнотекстовый поиск; использовать https://abdullin.com/schema-guided-reasoning/, вместо большой модели; делать отдельно планировщика и судью на базе других моделей; давать готовые аналитические питон скрипты как готовые тулы для моделей и т.п. Прям огромная работа. Но больше всего качество как всегда больше всего зависит от мета-данных. У ребят будет подробный рассказ про подход на грядущем Матемаркетинге, советую.
— Ребята из Crazy Panda вообще не отдают в ИИ-данные, а только генерят с помощью ИИ псевдо-SQL язык, который потом просто выводит данные и графики в кастомной BI-системе. Супер безопасно и меньше пространства для галлюцинаций.
— А ребята из Островка пошли путем не городить своё, а попробовать подключить базу, каталог данных и базу знаний через MCP к курсору, получилось лучше и быстрее, чем когда они пробовали сделать что-то своё.
Ещё обсуждали, что ИИ-шки помогают делать быстрее выводы из АБ-тестов и писать код, но на этом всё использование ИИ именно для аналитики и закончилось. Общий консенсус — работа аналитика явно уже не будет такой как прежде, но что именно измениться точно пока не понятно. При этом не услышал, что есть какие-то централизованные обучения и программы по внедрению AI внутри компаний, хотя некоторые делают Вайбатоны и внедряют инструменты типа Cursor.
AI в продукте
— Основные большие внедрения ИИ в бизнесе — это автоматизация поддержка во внутренних и клиентских процессах. Что-то делается супер кастомное (как в огромном Т-Банке), что-то со своими подходами, но скорее на общих инструментах как Я.Финтехе, а что-то используя инструменты типа n8n, а иногда даже и просто с помощью системных промптов чата-джпт.
— Были кейсы продуктов с ИИ-аватарами, которые общаются с пользователями для развлечения и собственно являются продуктом. Там много технических задач как это делать дешево и безопасно.
— Ребята из HH показали набор ботов и автоматизаций на базе ИИ, которые упрощают работу рекрутеров по поиску кандидатов и созданию вакансий.
— Ещё были кейсы автоматизации документооборота в большом банке и строительной компании и разметка данных для поисковой оптимизации в Preplexity.
В целом прикольные кейсы, но опять же не увидел чего-то волшебного. Кажется, что сейчас происходит нормальное нехайповое внедрение ИИ-шек в продукты, планомерное развитие и интеграция, а не радикальная смена каких-то концепций.
Работа с заказчиками и командой
Тут было интересно послушать про разный опыт коллег, но в целом вывод как всегда один, главное в работе аналитика — это умение общаться, критически мыслить и любить закапываться в детали, а не технические знания. Жалко только, что эти навыки аналитики качают реже, чем технические 🤪
Спасибо всем участникам конфы, было очень круто!
?q=%23%D0%BA%D0%BE%D0%BD%D1%84%D0%B5%D1%80%D0%B5%D0%BD%D1%86%D0%B8%D1%8F
