директор и машина · операционное управление · запись № 057 · 29 августа 2026 · Давид Герштейн

Анализ данных компании через ИИ: срезы, аномалии, формулы Excel — и границы доверия

Суммы и примеры пересчитаны на условную компанию — пропорции, механика и выводы реальные.

Ответьте себе честно: когда вы последний раз задавали своим данным вопрос, ответа на который не было в готовом отчёте? Не «сколько продали», а «почему у М8 конверсия вдвое ниже — он плохо работает или ему валятся худшие лиды?». Если вы не вспоминаете такого случая за последний месяц — диагноз простой: решения у вас принимаются на ощущениях, а данные лежат мёртвым грузом. И стоят они ровно столько, сколько стоят ошибки, которых можно было избежать.

Если давно или никогда — дело не в лени. Дело в том, что раньше между вопросом и ответом стоял аналитик, которого у вас нет. Теперь не стоит. И это, пожалуй, самая недооценённая штука во всей теме: про тексты знают все, про данные — почти никто.

Почему это важнее, чем кажется

Смотрите, в чём перекос. У руководителя среднего бизнеса данных больше, чем аналитики: CRM пишет каждую сделку, учёт — каждый платёж, телефония — каждый звонок. Аналитика при этом чаще всего нет — есть таблицы, которые никто не открывает, и вопросы, которые некому задать. Разрыв закрывался двумя способами: нанимать (долго и дорого) или не спрашивать (бесплатно и грустно). Появился третий: выгрузка плюс машина, отвечающая на вопросы к данным по-русски. Он не отменяет аналитика на сложных задачах — он закрывает пустоту там, где аналитика не было и не будет. По нашей практике, регулярное «спрашивание данных» меняет и сами совещания: спор мнений заметно чаще упирается в предложение «давайте спросим выгрузку» — а это культурный сдвиг, который стоит дороже сэкономленных часов.

Четыре класса задач, которые машина делает на выгрузках

Общий принцип для всех четырёх: машина берёт вычислительную и черновую часть, определения и приёмка остаются за вами. Выгрузки — только один из жанров, где это работает: тот же принцип на текстах, документах и подключении к вашим системам. Дальше — три разобранных примера с постановками, которые можно скопировать и переделать под свои данные; в каждом обратите внимание не на «магию», а на то, сколько в постановке управленческих решений — что считать, что исключить, чему не верить.

Пример 1: срез по воронке из сырой выгрузки

Ситуация, в которой вы наверняка бывали. Исходные данные условной компании: выгрузка сделок за полгода, ~1 200 строк, колонки «дата создания», «стадия», «сумма», «менеджер», «источник». Вопрос владельца: где именно проседает воронка и у кого.

Прикладываю выгрузку сделок за январь–июнь (CSV).
Колонки: дата создания, стадия, сумма, менеджер, источник.

Посчитай по месяцам: количество новых сделок, долю дошедших
до стадии «оплачено», средний чек оплаченных.

Правила счёта:
— сделка относится к месяцу по дате создания;
— «отменена» и «дубль» исключи из знаменателя и покажи отдельно,
  сколько их;
— строки с пустой суммой в среднем чеке не участвуют.

К каждой цифре — логика: какие строки вошли, какие исключены.
Если в данных что-то мешает посчитать корректно — скажи об этом
прямо, не выкручивайся.

Здесь три приёма, которые отличают вашу рабочую постановку от бесполезного «проанализируй таблицу». Первый — правила счёта прописаны явно: что исключаем, к какому месяцу относим. Без них машина примет разумные, но свои решения, и цифра разойдётся с вашей сводной — не потому, что кто-то ошибся, а потому, что считали разное; мы разбирали этот эффект в истории про «CRM врёт», где три способа счёта давали три разных числа из одних данных. Второй — требование логики к каждой цифре. Третий — разрешение сказать «не могу»: без него машина услужливо посчитает даже то, что считать нельзя.

Пример 2: поиск аномалий, который окупил месяц подписки

Аномалии — класс, где машина сильна по-настоящему: у неё нет привычки к «так всегда было». Реальный тип находки из нашей практики — даты в CRM, тихо сдвинутые задним числом: доля лидов месяца меняла дату создания, и отчёты расходились в зависимости от дня выгрузки. Поймано именно сравнением двух выгрузок машиной.

Две выгрузки одного и того же отчёта по лидам за август:
одна снята 1 сентября, вторая — 15 сентября.

Сравни построчно по идентификатору лида. Найди:
1) лиды, у которых изменилась дата создания;
2) лиды, которые исчезли или добавились;
3) лиды с изменённым источником.

По каждой группе: сколько штук, доля от месяца, примеры
(3–5 идентификаторов). Гипотез о причинах не строй —
только факты расхождений.

Обратите внимание на последнюю строку: гипотезы о причинах здесь запрещены сознательно. Причины — работа руководителя с админом системы; смешивание фактов с гипотезами в одном ответе — типичный способ получить убедительный, но неверный вывод.

Пример 3: сравнение менеджеров без обид

Третий частый запрос — сравнить людей. Здесь машина полезна не скоростью, а дисциплиной: она сравнивает по заявленным метрикам и не подмешивает впечатлений. В условной компании из восьми менеджеров срез по оплаченным сделкам за квартал выглядел так (оценка):

Ценность не в самой картинке — её нарисует любая CRM. Ценность в вопросах вторым шагом: «у М8 низкая доля — проверь, отличается ли структура его сделок по источникам и суммам от медианных». Часто «слабый менеджер» оказывается менеджером, на которого валятся заявки худшего качества, — и это меняет решение с «ругать» на «чинить распределение». Машина делает такие проверки за минуты, и именно они защищают от управленческих выводов по одной цифре — мы писали об этом в разборе про конверсию и менеджеров.

Большие выгрузки: как не утопить машину

Практические пределы существуют: выгрузку на сотни тысяч строк со всеми колонками загружать не стоит — и не нужно. Рабочие приёмы: сузить период (квартал вместо трёх лет), оставить только участвующие в вопросе колонки, а для по-настоящему больших данных — попросить машину сначала спроектировать агрегацию («какими срезами мне выгрузить это из системы, чтобы ответить на вопрос X»), сделать агрегированную выгрузку и анализировать её. Парадокс, знакомый любому аналитику: сужение данных под вопрос почти всегда улучшает ответ, потому что заставляет сформулировать вопрос.

Формулы по-русски: маленькая экономия каждый день

Самый недооценённый режим — переводчик между человеческим и табличным. «Сумма оплат по клиенту за квартал, но только со статусом „закрыто" и без возвратов» — машина отдаёт формулу под ваш Excel или Google Sheets и объясняет её по частям. Обратное тоже работает: доставшаяся от уволившегося сотрудника формула на четыре строки вложенных условий расшифровывается в понятный текст за минуту. Мелочь на фоне контуров — но именно эти мелочи возвращают по 10–20 минут несколько раз в неделю, не требуют вообще никакой настройки и, что важно для команды, не пугают: с формул удобно начинать приучение сотрудников к машине — цена ошибки видна сразу, а польза очевидна с первого дня. Про то, как вводить инструменты без сопротивления команды, у нас есть отдельный опыт в разборе внедрения контроля звонков.

Где анализ данных компании машине лучше не отдавать

Для равновесия — три класса задач, где на сегодня я бы машине выгрузку не доверил или доверил с оговорками.

Проверьте, нет ли вашей задачи в этом списке.

Точная сверка до копейки. Бухгалтерская сверка, где важна каждая строка из десяти тысяч, — не задача для языковой модели: она может «устать» и обобщить. Для сверок — скрипты и формулы (которые машина, к слову, отлично напишет); ей самой — анализ расхождений, найденных скриптом.

Прогнозы. «Спрогнозируй продажи на квартал» машина выполнит охотно и красиво — и это будет экстраполяция без понимания сезонности вашего рынка, запланированных акций и ушедшего ключевого клиента. Прогноз — работа человека с моделью в руках, не наоборот; про уверенные машинные прогнозы у нас есть отдельный скепсис в разборе про стратегию.

Выводы о людях. Машина сравнит менеджеров по метрикам — но интерпретация «М8 ленится» против «М8 достаются худшие лиды» требует контекста, которого в выгрузке нет. Правило то же, что в примере 3: машине — проверку гипотез по данным, человеку — выводы о людях.

Граница доверия: правила приёмки результата

Теперь про то, где вас может подвести. Машина считает быстро и оформляет убедительно — это её сила и ваша опасность: неверный расчёт выглядит так же красиво, как верный. Наши правила приёмки аналитики от машины — те же, что для отчёта младшего аналитика:

Логика — обязательная часть ответа. Какие строки вошли, какие исключены, по какой формуле счёт. Строка «покажи логику» стоит ноль, а превращает чёрный ящик в проверяемый расчёт.

Контрольная сверка. Одну-две цифры из ответа сверьте с независимым источником — сводной таблицей, отчётом системы. Расхождение — почти всегда разница определений, и её полезно найти до совещания, а не на нём: про честный план-факт у нас есть отдельный разбор.

Обезличивание перед загрузкой. В публичный чат данные идут без ФИО, телефонов и паспортов: имена — кодами («менеджер М3», «клиент К17»), анализу это не мешает. Полные данные — только в корпоративном контуре; правовая сторона разобрана в статье про персональные данные и нейросети.

Экономика вопроса

Посчитаем на условной компании. Аналитика в штате нет; вопросы к данным возникают три-четыре раза в неделю, и раньше каждый решался одним из двух способов: полчаса-час ручной возни руководителя со сводными таблицами — или «спрошу потом», то есть никогда. С машиной цикл «выгрузка → постановка → проверка логики → контрольная сверка» занимает 10–20 минут на вопрос (оценка) — экономия порядка 5–8 часов управленческого времени в месяц только на срезах, не считая находок-аномалий, у которых цена штучная и непредсказуемая: одна пойманная ошибка ввода на крупной сделке окупает годовую подписку.

Сравнение с альтернативами тоже честное. Джуниор-аналитик стоит от сотни тысяч рублей в месяц и решает эти же задачи медленнее, зато растёт и берёт на себя постановку вопросов. BI-система даёт красивые дашборды по заранее придуманным вопросам, но молчит на вопросы новые. Машина закрывает ровно зазор между ними: быстрые ответы на новые вопросы без найма — при обязательной вашей приёмке. Это не «или-или»: у зрелой компании со временем есть и BI для регулярного, и машина для нового, и человек для главного.

Регулярная аналитика: следующая ступень

Всё выше — ручной режим: выгрузил, спросил, проверил. Когда вопросы становятся регулярными — еженедельная воронка, ежемесячный срез по клиентам — подноску данных пора убирать: через MCP-подключения машина читает таблицы и CRM сама, а агент по расписанию приносит готовую сводку с пометками отклонений: сбор отчётности перестаёт быть отдельной ручной работой. Ручной режим при этом не умирает — он остаётся местом, где вы задаёте новые вопросы, прежде чем сделать их регулярными.

С чего начать: упражнение на один вечер

Ритм, который у нас прижился: раз в неделю — 20 минут «вопросов к данным» по свежей выгрузке, с сохранением удачных постановок в библиотеку. Через месяц-полтора у постановок появляется характер вашей компании — свои определения, свои известные ловушки в данных, свои контрольные цифры, — и это уже половина регламента для будущего агента-аналитика.

И назову вещь своим именем. Умение задать вопрос собственным данным и принять на него ответ — это новый управленческий навык, такой же базовый, как чтение отчёта о прибылях. Я считаю его сегодня обязательным: руководитель, который умеет спросить выгрузку и проверить логику ответа, стоит дороже руководителя, который ждёт, пока отчёт принесут. Навык осваивается не курсом, а повторением — примерно за месяц регулярных попыток.

Не откладывайте до «когда будет время» — его не будет. Возьмите одну выгрузку, которая у вас и так есть: сделки за квартал, платежи за месяц. Обезличьте. Задайте машине три вопроса по нарастающей: срез («посчитай по месяцам…» — с правилами счёта), аномалии («проверь дубли и пустые суммы»), объяснение («что в этих данных выглядит странно для компании нашего профиля — только наблюдения, без советов»). Час вечера почти гарантированно даст вам две вещи: пару настоящих находок в собственных данных (дубли и пустые суммы есть у всех, кто не искал их специально) — и личное ощущение границы, где машине можно верить, а где нужна сверка. Это ощущение дороже любого чужого чек-листа, включая мой.

И маленькое замечание напоследок. Компании, где вопросы к данным задают регулярно, отличаются от остальных не технологиями. Они отличаются тем, что там спор мнений на совещании заканчивается словами «давайте спросим выгрузку» — а не тем, кто громче. Разница в качестве решений накапливается месяцами и становится видна в цифрах через год. Начать этот отсчёт можно сегодня вечером. Если хочется не наощупь, а по шагам — у меня есть бесплатный курс для руководителей: работа с данными там отдельным блоком, с практикой на ваших выгрузках.

Частые вопросы

Может ли ИИ заменить аналитика?

На уровне «сделать срез по выгрузке и найти странности» — уже во многом да, и быстрее. На уровне «поставить правильный вопрос и проверить ответ» — нет: это остаётся за человеком, и в наших разборах именно постановка вопроса определяла ценность результата.

Какие файлы понимает Claude?

Таблицы CSV и Excel, выгрузки из CRM и учётных систем, тексты и PDF. Практический предел — размер: очень большие выгрузки стоит сужать до нужных колонок и периода, качество анализа от этого только растёт.

Как проверить, что ИИ посчитал правильно?

Требуйте показывать логику: какие строки взяты, какие исключены, по какой формуле счёт. Затем сверьте одну-две контрольные цифры со сводной таблицей. Ответ без логики расчёта — не результат, а гипотеза.

Можно ли загружать в ИИ данные клиентов?

В публичный чат — только обезличенные: без ФИО, телефонов, паспортов. Имена заменяются кодами, суть анализа от этого не страдает. Работа с персональными данными без обезличивания требует корпоративного контура с договором об обработке.

Умеет ли Claude писать формулы Excel?

Да, по описанию на русском: «средний чек по менеджеру за квартал, без возвратов» превращается в рабочую формулу с объяснением. Это же работает в обратную сторону — он объясняет чужие формулы, доставшиеся от прежнего сотрудника.

#ии и нейросети #аналитика и отчётность #инструменты