ИИ в аналитике: выгода или бессмысленные вложения?
Искусственный интеллект активно меняет подходы к бизнес-аналитике: автоматизирует рутинные задачи, раскрывает новые возможности для анализа данных и ускоряет принятие решений. Но всегда ли результаты оправдывают затраты? «Компьютерра» собрала мнения экспертов, чтобы разобраться в задачах, которые способен решить ИИ в бизнес-аналитике, разобрать ключевые преимущества и определить сложности, возникающие при внедрении аналитических решений на базе ИИ?
Ключевые задачи бизнес-аналитики, решаемые с помощью ИИ
Современные компании используют ИИ для решения множества аналитических задач, которые варьируются в зависимости от отрасли, масштаба бизнеса и конкретных целей. От ритейла до промышленности, от строительства до клиентской аналитики — технологии ИИ находят применение повсюду.
Дмитрий Федотов, ML-архитектор no-code ИИ-платформы AiLine Softline Digital (ГК Softline), рассуждает: «Ритейл и пищевая промышленность, по опыту нашей компании, наиболее заинтересованы в разработке ИИ-решений, которые прогнозируют спрос и динамику цен на продукцию, динамику цен на сырье и изменение качественных характеристик продукции. Промышленные предприятия зачастую обращаются с другими запросами. К ним относится разработка цифровых двойников для проведения сценарного анализа и оптимизации эффективности производства, разработка виртуальных анализаторов параметров качества (концентрации/содержания) компонентов в выпускаемой продукции».
ИИ также показывает свою ценность в строительной индустрии, как отмечает Кирилл Поляков, основатель цифровой платформы для управления стройкой Pragmacore: «Предиктивная аналитика – один из ключевых инструментов практического использования ИИ в строительстве. Он помогает строительным компаниям прогнозировать, какие строительные работы будут обеспечены материалами и оборудованием через три и более месяцев, предвидеть срывы сроков поставок, аварии и непредвиденные задержки и предсказывать сроки реализации проекта».
Области применения ИИ включают клиентскую аналитику, улучшение продуктов, а также маркетинговые исследования:
«С помощью ИИ анализируются глубинные интервью и отзывы клиентов. Это помогает выделять основные потребности, выявлять проблемы и улучшать продукты или сервисы».
Анна Дудник, сооснователь НейроИнститута
В то же время Роман Друженец из компании «Индиголаб Инновации» отмечает, что самой актуальной задачей аналитики маркетплейсов является поиск карточек-конкурентов, анализ их описания, определение ключевых слов и обновление SEO — данную задачу ежедневно или еженедельно решать человеку невозможно, так как объемы информации для анализа и генерирования контента сильно превышают возможности человеческого мозга.
«Я встречался с мнением, что ИИ в аналитике — этакая «волшебная кнопка», которая «все сама просчитает»» с одного нажатия. Но на самом деле это инструмент, и при грамотном использовании он может серьезно усилить бизнес. В основном это прогнозирование спроса, выявление аномалий, анализ больших массивов данных для поиска скрытых закономерностей. Например, это очень пригождается в ритейле».
Максим Захаренко, СЕО «Облакотека»
Филипп Щербанич, ИТ-эксперт и backend-разработчик в компании Mayflower, утверждает: «ИИ помогает быстро находить скрытые закономерности, которые не видны человеку без глубокого анализа, строить долгосрочные стратегии для компании и даже генерировать идеи, которые можно использовать как источник вдохновения для ведения бизнеса».
По мнению Григория Огнева, аналитика ГК Selecty, если речь идет о машинном обучении и более классических моделях, то, в первую очередь, это предиктивная аналитика. «Если говорить о больших языковых моделях (таких как ChatGPT и другие), первое, что приходит на ум, — это инсайты. Можно скормить алгоритму контекст, задать вопрос и на выходе получить намек на то, в какую сторону можно исследовать», — утверждает эксперт.
Так, спектр задач, которые можно решить с помощью ИИ, невероятно широк. Он охватывает как внутренние процессы, так и взаимодействие с клиентами.
Основные преимущества использования ИИ в аналитике
ИИ не просто ускоряет процессы, он делает возможным то, что раньше было недоступно. Это касается как объемов данных, которые он способен обрабатывать, так и скорости, с которой это происходит. Но преимущества ИИ выходят далеко за пределы быстродействия.
Дмитрий Федотов, ML-архитектор no-code ИИ-платформы AiLine Softline Digital (ГК Softline), сравнивая традиционные методы с возможностями ИИ, отмечает: «Традиционные методы — это в лучшем случае применение эконометрических моделей. Зачастую используются и более простые подходы, такие как экспертное мнение специалистов. Эффективность таких решений на порядок ниже эффективности ML-алгоритмов, предлагаемых ИИ. С помощью современных методов машинного обучения (ML) можно получать более точные результаты прогнозирования с горизонтом планирования от недели до трех лет».
«Основные преимущества ИИ в аналитике перед традиционными методами — это, во-первых, высокая скорость обработки данных, предиктивная аналитика и автоматизация. Во-вторых, ИИ может анализировать большие объемы информации в реальном времени, тем самым ускоряя принятие решений. Он предсказывает будущие события на основе имеющихся данных и, в отличие от традиционных методов, не ограничивается ретроспективным анализом», — отмечает Роман Блонов, директор Proptech Solutions.
Ключевым преимуществом ИИ в бизнес-аналитике является его способность проводить глубокий анализ данных, выявляя скрытые закономерности и предоставляя ценные инсайты для принятия стратегических решений. Так, Алексей Любимов, генеральный директор вендора решений для бизнеса на базе собственного ИИ 3iTech, утверждает: «ИИ дает возможность проанализировать все 100% записей разговоров операторов контакт-центров или сотрудников торговых залов с клиентами в супермаркетах и банках, тогда как без ИИ вы могли проанализировать не более 3% этого материала. Отсюда — ощутимый экономический эффект, особенно для крупных В2С-бизнесов».
Александр Вайс, серийный FinTech and DeFi предприниматель, разработчик и аналитик WEB3Bureau, к преимуществам аналитики на базе ИИ относит объем нагрузки. «ИИ способен обрабатывать большие объемы информации, собирая данные из разных источников и ресурсов. У «механического мозга» нет функции переутомления, что дает возможность анализировать любой объем долгое время», — поясняет эксперт.
Однако использование ИИ требует профессионального подхода и понимания его возможностей. «Важно помнить, что ИИ — не замена специалистам, а их помощник. Хорошая модель требует правильной настройки, а это — работа команды», — отмечает Максим Захаренко, СЕО «Облакотека».
Таким образом, ИИ является не просто инструментом, но и важным ресурсом, который при правильной настройке и управлении открывает новые возможности для бизнеса:
«Искусственный интеллект и традиционные методы, скорее, дополняют друг друга. Тут важно отметить, что хоть ИИ и очень «умный», но он тяжело интерпретируется. Мое мнение, что ИИ — это аналитик для аналитика».
Григорий Огнев, аналитик ГК Selecty
Трудности при внедрении ИИ в аналитические процессы
Несмотря на все достоинства ИИ, внедрение этой технологии сопровождается рядом вызовов. Одной из ключевых проблем остается нехватка данных, необходимых для обучения моделей.
Дмитрий Федотов, ML-архитектор no-code ИИ-платформы AiLine Softline Digital (ГК Softline), утверждает: «Основная трудность — это недостаток данных. Многие компании страдают от нехватки релевантных исторических данных из-за недостаточной цифровизации бизнес-процессов. Еще одна не менее важная проблема — общее недопонимание бизнеса, какие задачи он может решать с помощью ИИ и какую реальную выгоду получать».
Другой важной проблемой становится сопротивление сотрудников, которые могут не доверять новым технологиям или опасаться за свою работу. Такое мнение выражает Анна Дудник, сооснователь НейроИнститута. По словам эксперта, обучение команды, начиная с топ-менеджмента, ускоряет принятие технологий и повышает эффективность внедрения.
«ИИ не является некой волшебной палочкой-выручалочкой, и к любому аналитическому методу извлечения и интерпретации данных надо готовиться. Главенствующую роль играют данные для обучения (их качество и количество). Первая сложность для компаний — это подготовка соответствия необходимой обучающей выборки для решения конкретной аналитической задачи, если по дефолту она решается с неудовлетворительным качеством на проверочных данных».
Алексей Любимов, генеральный директор вендора решений для бизнеса на базе собственного ИИ 3iTech
Другой сложностью аналитики на базе ИИ остается ограниченное понимание моделью специфики бизнеса. «Даже с детальным описанием процессов модели работают только в рамках предоставленных данных. ИИ не видит бизнес так, как его видят сотрудники, не общается с заказчиками и зачастую не может глубоко оценить бизнес-требования. Поэтому проработка сложных процессов и написание требований по-прежнему требует участия специалистов», — поясняет Василий Саутин, руководитель дирекции по развитию бизнеса российской ИТ-сервисной компании IBS.
Не стоит забывать и о потенциальных рисках, связанных с возможными ошибками алгоритмов. ИТ-эксперт и backend-разработчик компании Mayflower Филипп Щербанич предостерегает: «Нейросетям никогда нельзя полностью доверять, потому что они не думают как человек, а лишь пытаются предсказывать нужный нам результат».
Ошибки и неудачи компаний при использовании ИИ в аналитике
Компании, стремящиеся внедрить ИИ-аналитику, нередко сталкиваются с завышенными ожиданиями. Многие рассчитывают, что ИИ решит все проблемы автоматически, однако реальность намного сложнее.
Дмитрий Федотов, ML-архитектор no-code ИИ-платформы AiLine Softline Digital (ГК Softline), утверждает: «Если мы говорим о случаях, когда ИИ был внедрен только ради хайпа, то часто получается, что ИИ-решения используются только на опытно-промышленных испытаниях и не приживаются в компании в дальнейшем. ИИ мало внедрить, его надо сопровождать: следить за метриками качества работы моделей, при необходимости дообучать или переобучать модели».
Среди вариантов использования аналитики на базе ИИ, которых все ожидали, но не оправдали себя, Ярослав Атрохов, руководитель направления системного и бизнес-анализа Лемана Тех — ИТ-компании Лемана ПРО (ранее Леруа Мерлен), выделяет:
- Генерацию спецификаций с помощью ChatGPT. Способ неэффективен, поскольку модель не имеет контекста о специфике систем, а передача такого контекста может быть небезопасной.
- Генерацию диаграмм (например, с использованием инструментов вроде Eraser.io). Вариант требует больше времени на создание правильного запроса (промпта), чем ручное рисование, и зачастую приводит к менее качественному результату.
- Генерацию идей для бизнеса (например, через сервисы вроде UserStoryGenerator.ai), которая часто носит поверхностный характер. ИИ предлагает стандартные решения или идеи, которые давно реализованы и не имеют высокой ценности.
По словам Алексея Любимова, генерального директора вендора решений для бизнеса на базе собственного ИИ 3iTech, необходимо наличие бизнес-процессов, автоматически вылавливающих ошибки (так называемые галлюцинации), которые могут возникать в процессе эксплуатации генеративных моделей и алгоритмов. «Другими словами, обязателен перманентный процесс слежения за качеством данных, поставляемых генеративными моделями, и их актуальное исправление, что, в свою очередь, требует иных, но трудозатрат. Игнорирование этого создает главные ошибки и неудачи при внедрении ИИ в бизнес-аналитике», — заключает эксперт.
«Частая ошибка — слепая вера в универсальность ИИ. Если данные «грязные», модель будет ошибаться, а компания — принимать неверные решения. Еще одна проблема — завышенные ожидания. Бывает, что предприниматель (часто в малом бизнесе) рассчитывает, что проект быстро окупится, и бывает неприятно удивлен тем, что для внедрения ИИ в аналитику нужно больше ресурсов и времени, чем он думал».
Максим Захаренко, СЕО «Облакотека»
Схожего мнения придерживается и Григорий Огнев, аналитик ГК Selecty: «Часто компании не до конца понимают, какую именно задачу хотят решить с помощью ИИ. В итоге проект буксует на этапе постановки целей или сталкивается с тем, что доступные данные попросту не описывают нужные бизнес-процессы. Итог — разочарование, потерянное время и бюджеты, а ведь грамотный подход на старте помог бы избежать этих проблем».
Роман Друженец из компании «Индиголаб Инновации» отмечает важность предельно четкого составления промта для нейросети: «Для успешного внедрения ИИ в аналитику селлеру маркетплейсов нужно с серьезностью подойти к данному вопросу. Шутка ли: одно неоднозначное слово в промте для нейросети — и за конкурентов для анализа карточки «Интерьерный бюст для украшений» она считает продавцов нижнего белья».
Таким образом, ошибки, связанные с недостаточной подготовкой и неправильной постановкой задач, могут не только замедлить процесс, но и привести к финансовым потерям.
Реальная окупаемость ИИ в аналитике
Когда речь идет об окупаемости ИИ, многое зависит от масштаба бизнеса, доступных ресурсов и правильно выбранной стратегии внедрения. Для крупных компаний ИИ может стать настоящим рычагом роста, обеспечивая экономию и увеличение выручки.
По словам Анны Дудник, сооснователя НейроИнститута, вложения порядка 100 тыс. рублей в проекты с ИИ могут привести к экономии до 350 тыс. рублей в месяц, делая технологию выгодной.
При этом Алексей Любимов, генеральный директор вендора решений для бизнеса на базе собственного ИИ 3iTech, отмечает, что окупаемость зависит от многих параметров деятельности компании. «Рассуждая о пользе ИИ, нужно говорить о том, как он влияет на рост выручки. Отсюда и окупаемость. По опыту работы более чем с 200 проектами по нашей системе речевой аналитики на базе ИИ 3i TouchPoint Analytics могу сказать, что выручка клиентов может вырасти за первый год внедрения на 25–35%», — поясняет эксперт.
«Есть случаи, когда команда за 2 недели окупает свой бюджет на 10 лет. Нередки и случаи, когда затраченные средства едва отбиваются. Однако в целом можно сказать, что убытка от профессиональных команд ИИ в компаниях с большим объемом качественных данных не возникает практически никогда. Вероятно, это связано с тем, что при принятии решения о работе в направлении ИИ компании в первую очередь ориентируются на референсное ROI».
Антон Балагаев, директор по консалтингу Arenadata
Для малого и среднего бизнеса результаты могут быть менее масштабными, но все же ощутимыми. «В плане окупаемости многое зависит от масштаба задач и правильного выбора технологий. Для крупных компаний инвестиции в ИИ обычно оправдываются: они быстрее получают доступ к ценным инсайтам. А затем, опираясь на них, улучшают процессы. Для СМБ, чьи ресурсы ограничены, эффективность бывает не столь очевидной. Но все равно даже небольшие внедрения (автоматизация анализа продаж, рекламы) могут ощутимо помочь бизнесу», — утверждает Максим Захаренко, СЕО «Облакотека».
Выводы
ИИ в аналитике — больше, чем просто модное слово. Это инструмент, который может радикально изменить подход к управлению данными и принятию решений. Однако успех внедрения аналитики на базе ИИ зависит от множества факторов: правильной стратегии, подготовки команды, качества данных и готовности бизнеса к переменам.
Можно смело утверждать, что будущее аналитики за искусственным интеллектом, однако важно помнить, что его эффективность определяется не только алгоритмами, но и людьми, которые ими управляют.