Нейросети для аналитики данных и как проверять их результат

Нейросеть для аналитики данных хорошо ускоряет черновую работу: чистку и подготовку выгрузок, формулы для таблиц и SQL-запросы, сводки к отчётам, поиск аномалий и выбор графиков. Главный риск в том, что ИИ может уверенно ошибиться в числах и придумать вывод, которого нет в данных. Поэтому итоговые цифры и решения проверяет человек по исходной выгрузке.

Алексей Малков

Основатель GEOAudit.org • GEO/SEO-стратег

10+ лет в digital

Задачи аналитика Проверка результата Данные и законы

Профиль автора →

Опубликовано: октябрь 2026. Актуальность проверена по текстам законов о персональных данных и о коммерческой тайне, справке Яндекса об Алисе AI в Поиске, публикации разработчика языковых моделей об их ошибках и открытым исследованиям точности моделей на 27.10.2026.

ИИ в аналитике данных как инструмент, а не профессия

Запрос «AI-аналитик» иногда означает профессию, то есть специалиста, который строит и внедряет модели. Здесь речь об ИИ как инструменте аналитика, маркетолога или руководителя; вакансии и обучение не разбираются.

В работе с данными встречаются четыре типа инструментов:

• Универсальный чат-ассистент. Данные уходят во внешний сервис, контроль компании минимальный, зато порог входа самый низкий.
• ИИ-функции внутри таблиц, CRM и BI-систем. Данные остаются в системе, которой компания уже пользуется, условия определяет её договор с поставщиком.
• Специализированные сервисы для анализа данных. Данные загружаются в отдельный сервис, условия хранения нужно читать до первой загрузки.
• Собственная или внутренняя модель через API. Больше всего контроля над тем, где лежат данные и что видит модель, но нужна команда, которая её подключит и сопровождает.

Если один из этих типов у компании уже есть, начинать удобнее с него.

Обзор применения нейросетей по разным задачам бизнеса собран в статье нейросети для бизнеса по задачам, здесь подробно раскрыт её раздел про аналитику. Метрики поисковой оптимизации разобраны в материале про SEO-аналитику в 2026 году, а проверка сайта с помощью ИИ описана в статье о том, как работает нейросеть для анализа сайта.

Какие задачи аналитика можно отдать нейросети

Нейросети в аналитике полезнее всего там, где работа рутинная, а результат легко проверить. Ниже пять подзадач. Для каждой указано, что дать на вход, что получить и где ИИ ошибается чаще.

Подготовка и чистка данных

С этой задачи удобно начинать. Выгрузки из разных систем часто приходят неряшливыми: даты в трёх форматах, суммы то с пробелами, то с запятыми, названия городов и товаров с опечатками, пропуски в обязательных полях, дубли клиентов с разным регистром в имени.

Нейросеть может предложить правила нормализации, написать формулу для приведения дат к одному виду, найти вероятные дубли и сгруппировать варианты одного названия. Пример запроса словами: «Вот 30 строк из столбца с городами, предложи правило, по которому их можно привести к единому написанию, и перечисли спорные случаи отдельно».

На вход лучше давать структуру таблицы и небольшой образец, а не весь массив. Так и проверять проще, и данных наружу уходит меньше.

Типичная ошибка: ИИ может уверенно объединить то, что объединять нельзя. Два разных клиента с похожими именами становятся одним, «Новгород» превращается в «Нижний Новгород». Пропуски он может заполнить правдоподобными значениями, хотя об этом не просили. Поэтому спорные случаи лучше просить выносить списком, а не исправлять молча.

Формулы для таблиц и SQL-запросы к базе

Второе сильное место: перевод задачи с обычного языка на язык формул и запросов. «Посчитай выручку по менеджерам за квартал без возвратов» превращается в формулу или SQL-запрос за минуту. Нейросеть может объяснить чужую формулу, найти ошибку в существующем запросе или переписать его под другой диалект SQL.

На вход нужно дать названия таблиц и полей, их смысл и пару строк образца. Чем точнее описаны данные, тем лучше результат. На выходе получится черновик, который человек проверяет до запуска на рабочих данных.

Главная деталь: запрос может выполниться без сбоев и при этом посчитать не то. Типичные промахи такие: лишнее или пропущенное условие в фильтре, задвоение строк при соединении таблиц, неверная граница периода, обращение к полю с похожим, но другим смыслом.

Классические тесты заметно переоценивают готовность моделей к реальным базам. Это показало исследование Spider 2.0, представленное на конференции ICLR 2025: генерацию SQL проверяли на реальных корпоративных базах, нередко с тысячей столбцов и больше. Агент на одной из сильнейших моделей того времени решил там 21,3% задач, тогда как лучшие прежние методы на классическом тесте Spider 1.0 достигали 91,2%. Это результат модели 2024 года, а не текущая точность нейросетей.

— Spider 2.0, ICLR 2025, март 2025

С тех пор результаты выросли, но на актуальном рейтинге упрощённых вариантов того же теста они различаются в разы. Безошибочной системы там нет, причём в этих вариантах к базам прилагаются подготовленные описания и документация. Авторы исследования называют одним из главных препятствий привязку вопроса к нужным таблицам и полям в очень больших базах. Отсюда практический вывод: качество запроса во многом зависит от того, насколько хорошо вы описали свои данные.

Поиск аномалий и выбросов

ИИ в аналитике данных удобно использовать как второй взгляд на таблицу: попросить найти резкие скачки, нулевые продажи в рабочие дни, заказы с ценой в десять раз выше обычной, клиентов с подозрительно частыми возвратами.

Результат здесь стоит понимать как подсказку, куда смотреть, а не как диагноз. Скачок может оказаться ошибкой выгрузки, акцией, сменой учёта или реальным событием. Причину устанавливает человек, который знает бизнес. Нейросеть может пропустить аномалию или назвать нормальную сезонность выбросом.

Запрос лучше формулировать с критерием: «Найди дни, где выручка отличается от среднего за тот же день недели больше чем вдвое, и выведи их таблицей с датой и суммой». Такой список легко проверить по исходной выгрузке. Просьба «найди что-нибудь странное» даёт расплывчатый ответ, который сложно проверить.

Прогнозы

Искусственный интеллект в аналитике умеет строить простой прогноз по временному ряду и объяснять, как он получен. Здесь нужна оговорка о точности. Качество прогноза зависит от длины и чистоты истории, сезонности и внешних факторов, которых в данных нет: изменения цен у конкурентов, новых правил, погоды, логистики. Короткий ряд за несколько месяцев даёт слабую основу.

Прогноз нейросети годится как ориентир для обсуждения. Планом продаж или бюджета он от этого не становится. Полезно просить модель назвать допущения, на которых держится прогноз, и проверять, насколько они реалистичны. Ещё один простой приём: построить прогноз на данных без последних трёх месяцев и сравнить его с тем, что произошло на самом деле. Если расхождение большое, на прогноз вперёд опираться тем более рано.

Визуализация

Здесь ИИ для аналитики данных помогает подобрать тип графика под вопрос, набросать диаграмму, сформулировать подписи и заголовок слайда. Ошибки заметить проще, чем в расчётах: перепутанные оси, неудачный масштаб, лишние категории. Обычно хватает сверить пару точек на графике с таблицей. Отдельно стоит посмотреть, не начинается ли ось с произвольного значения, из-за которого небольшое изменение выглядит обвалом.

Искусственный интеллект в бизнес-аналитике и отчётах

Руководителю обычно нужны не формулы, а понятный ответ: что изменилось, почему и что с этим делать. Искусственный интеллект в бизнес-аналитике закрывает две задачи из этого ряда.

Первая задача — сводки и текстовые пояснения к отчётам. Нейросеть пересказывает динамику словами: какие показатели выросли, какие просели, где отклонение от плана. Описать, что произошло, ей проще, чем объяснить почему: причину она может придумать, если в данных её нет. Фраза «продажи упали из-за сезонности» звучит убедительно, даже когда сезонность в таблице никак не отражена. Каждое пояснение о причинах сверяется с цифрами.

Вторая задача — разговор с данными на естественном языке внутри BI. Руководитель пишет вопрос словами, система превращает его в запрос к данным и показывает ответ. Это удобно человеку без навыков SQL. Риск в том, что система может неверно понять метрику или фильтр.

Пример. Руководитель спрашивает: «Какая выручка у нового филиала за сентябрь?» ИИ в BI строит запрос и выдаёт цифру. Проверить стоит три вещи: какая метрика взята (выручка с возвратами или без), как определён «новый филиал» и совпадает ли период с календарным месяцем. Поэтому полезно, когда BI показывает сгенерированный запрос, а не только число.

В обоих случаях ИИ для бизнес-аналитика готовит черновик: отчёт, вопросы к данным, выводы для презентации. Интерпретация и решение остаются за человеком.

Что отдать ИИ, а что оставить человеку

Таблица сводит границы доверия по всем задачам из разделов выше.

Главная опасность ошибок ИИ в том, что они звучат правдоподобно. Разработчик языковых моделей в официальной публикации признаёт, что даже более сильные модели могут уверенно давать неверный ответ. Справка Яндекса об Алисе AI в Поиске прямо предупреждает, что ответ может содержать неточности, и советует проверять данные по источникам. В исследовании TableBench модели отвечали на сложные вопросы по таблицам, подобранным с расчётом на практические рабочие сценарии. Даже самая сильная из проверенных моделей заметно уступала человеку.

Как проверять результат нейросети

Проверка нужна в каждой задаче, где число или вывод уходит в отчёт. Ниже порядок, который можно применять к следующей задаче без доработки. Это рабочая методика, а не внешний стандарт: она снижает риск, но не гарантирует отсутствия ошибок.

Порядок проверки

1. Пересчитайте ключевые числа. Итоговую сумму, среднее, долю посчитайте вручную или стандартной формулой в таблице. Если два способа дают разный результат, ошибка есть в одном из них.
2. Сверьте итоги с исходной выгрузкой. Проверьте, совпадают ли число строк, общая сумма, период и фильтры. Так ловятся потерянные или задвоенные строки и неверные границы дат.
3. Проверьте формулу или запрос на малой выборке. Возьмите 10–20 строк, ответ по которым вы знаете заранее, и прогоните на них формулу или SQL. Если результат совпал, запускайте на всём массиве.
4. Попросите показать ход расчёта. Какие поля использованы, какие строки исключены, как обработаны пропуски. Так легче заметить ссылку на поле, которого нет в таблице.
5. Найдите опору для каждого вывода о причинах. Утверждение вида «рост связан с акцией» должно опираться на конкретные числа из данных. Если опоры нет, вывод помечается как гипотеза.
6. Для важного решения перепроверьте другим способом. Повторите запрос в новом диалоге или посчитайте тот же показатель иначе, например через сводную таблицу вместо формулы.

Когда перепроверять особенно внимательно

Есть признаки, при которых ответ нейросети стоит разобрать заново:

• подозрительно круглые цифры там, где данные дробные;
• упоминание поля, столбца или периода, которых нет в исходной таблице;
• вывод о причине, у которого нет числовой опоры;
• другой итог при повторе того же запроса;
• ответ без оговорок там, где данных явно мало.

Проверять должен человек, который знает и данные, и бизнес-контекст. Он заметит, что выручка филиала не может вырасти втрое за неделю или что в выгрузке нет онлайн-продаж. Проверка встраивается в процесс как обычный шаг перед отправкой отчёта, а не проводится один раз при внедрении.

Какие данные можно передавать во внешнюю нейросеть

Отправка данных во внешний сервис связана с правовыми и деловыми рисками. Персональные данные регулирует Федеральный закон от 27.07.2006 N 152-ФЗ «О персональных данных». По его статье 3 передача данных относится к их обработке, так что отправка таблицы с данными клиентов — физических лиц во внешнюю нейросеть по смыслу закона тоже обработка. Внутренние выгрузки с продажами, ценами и клиентской базой могут составлять коммерческую тайну по Федеральному закону от 29.07.2004 N 98-ФЗ «О коммерческой тайне», если компания ввела такой режим.

Порядок согласий, передачи данных за рубеж и ответственности в статье не разбирается: эти вопросы уточняются у юристов и в профильных органах. Общие риски собраны в материале о том, чем опасны нейросети для бизнеса.

Что не стоит отправлять во внешний сервис без проверки его условий и внутренних правил компании:

• персональные данные клиентов и сотрудников;
• сведения, на которые распространяется режим коммерческой тайны;
• условия договоров, цены закупки, данные контрагентов.

Как снизить риск:

• обезличить данные или передавать агрегаты вместо отдельных записей;
• отправить только структуру таблицы и описание полей, без самих значений;
• собрать синтетический пример с выдуманными значениями той же формы;
• пользоваться внутренней моделью или ИИ-функциями в системах, где работа с данными уже закреплена договором компании.

Как начать с пилота

Начинать удобнее с одной задачи, а не с внедрения ИИ во всю отчётность. Порядок пилота:

1. Выберите повторяющуюся задачу с известным правильным ответом. Например, еженедельную сводку продаж, которую аналитик и так готовит вручную.
2. Подготовьте обезличенную выгрузку. Правила по данным из раздела выше применяются уже на пилоте.
3. Заранее опишите проверку. Какие числа пересчитываются, с чем сверяются итоги, кто проверяет. Основа есть в чек-листе выше.
4. Сравните результат с обычным способом на нескольких итерациях. Отметьте и точность, и время, которое ушло на запросы к ИИ вместе с проверкой. Если проверка отнимает столько же времени, сколько ручная работа, выигрыша на этой задаче нет.
5. Примите решение. Расширить применение, сменить тип инструмента или остановиться. Критерий успеха задаёт сама компания.
6. Закрепите правила. Какие данные можно отправлять, какой инструмент использовать, как проверять результат.

Типовые ошибки на этом этапе разобраны в статье об ошибках внедрения ИИ, а общий порядок есть в материале про внедрение нейросетей в бизнес.

Та же технология отвечает клиентам о вашей компании

Аналитика данных с ИИ остаётся внутренним процессом компании. Есть и внешняя сторона: языковые модели отвечают людям на вопросы о товарах, услугах и компаниях. Работу над видимостью бизнеса в таких ответах ChatGPT, Алисы и других систем называют GEO. Это отдельная от SEO задача: SEO работает с классической поисковой выдачей, GEO с ответами нейросетей.

Проверить, называет ли нейросеть вашу компанию, можно на бесплатной диагностике. Она покрывает только Яндекс Алису: 3–5 запросов и мини-отчёт за 24 часа в рабочие дни. Платная экспресс GEO-диагностика стоит от 25 000 ₽ и занимает 1–3 дня.

FAQ