Клуб анонимных аналитиков

Вы — специалист по безопасности. В компании разрешили использовать AI, если данные обезличены. Сотрудник отправил эту таблицу. Вы пропустите?

Когда компании разрешают использовать ИИ, кажется, что главные правила понятны: 1) не отправлять персональные данные, 2) обезличивать таблицы, 3) не загружать подозрительные файлы. Но на практике всё сложнее. Давайте проверим вашу интуицую на двух примерах 🔽

Подкаст, выпуск 1 Как общаться с безопасниками: Шаг 1. возьмите на удушающий. Шаг 2. не делайте шаг 1. Я записал серию подкастов со старым другом Александорм Комаченко — он 15 лет работает менеджером проектов в информационной безопасности, как раз в роли посредника между бизнесом и безопасниками. Его работа — находить компромисс там, где одни хотят запустить всё новое, а другие хотят не пустить ничего. Обычно безопасников воспринимают как людей, которые «ничего не разрешают». Но на самом деле их задача — не испортить вам жизнь, а понять, какие риски вы приносите в компанию вместе с новым инструментом. 💡Главный совет: не приходите с фразой «ну это же классная штука, пустите». Подготовьте ответы на 7 вопросов: 1️⃣ Какие данные попадают в инструмент? 2️⃣ Есть ли там персональные, коммерческие, медицинские, юридические или клиентские данные? 3️⃣ Где эти данные обрабатываются: локально, в облаке, через сторонний сервис? 4️⃣ Какие AI-инструменты использовались при создании: ChatGPT, Claude, Cursor, Replit, no-code, API? 5️⃣ Что инструмент делает с данными: хранит, отправляет, анализирует, удаляет? 6️⃣ Кто будет иметь доступ к результатам? 7️⃣ Что случится, если инструмент ошибётся или перестанет работать? 🟢 Хорошая позиция звучит так: «Я хочу понять, какие риски вы видите и что нужно доработать, чтобы инструмент можно было безопасно использовать». В реальной компании мало просто навайбкодить полезную штуку. Её ещё нужно упаковать так, чтобы с ней могли работать другие люди, а компания понимала, что именно она разрешает. Если тема интересна — дайте знать реакциями 👇

7 смертных грехов компетенций аналитика Я на днях писал, что просто "специалисты по отчетам" остаются без работы. ИИ их заменяет, НО не решает проблему с аналитикой. Проблема с Data-Driven в компаниях остается такой же больной. Каким же должен быть человек, который эту проблему решит? Этот профиль компетенций ближе к консультанту из McKinsey. Я порисерчил вакансии из Big7, отфильтровал через свой опыт, и вот что вышло: 1️⃣ P&L-мышление Он должен понимать экономику бизнеса: выручку, маржу, CAC, LTV, retention, операционные ограничения, unit-экономику, бюджетирование, влияние решения на P&L 2⃣Data Fluency Свободное владение данными: черный пояс по Excel/Google Sheets, быть в состоянии за сутки освоить какой угодно BI, обработать трансформировать с SQL или Python. 3️⃣ AI-Native Кросс-платформенное использование LLM (Open AI / Antropic / Gemini и др.), работа с Cursor и другими IDE для прототипирования аналитических продуктов, исследований, анализа гипотез 4️⃣ Human Validation Фактчекинг результата от ИИ на основе здравого смысла и опыта. Выявление ложных корреляций, bias, ошибок интерпретации, несоответствия бизнес-контексту. 5️⃣ Коммуникация Проведение интервью с заказчиком, фасилитация обсуждений, перевод бизнес-вопроса в аналитическую задачу (problem framing). Презентационные навыки, сторителлинг, защита выводов, работа с возражениями. 6️⃣ Ответственность за результат Довести аналитику до внедрения: roadmap, definition of done, согласование с командами, мониторинг эффекта, передача процесса в регулярное управление. А не «отчёт готов, дальше не моё». Эту тему обсудим завтра на эфире (тут анонс, а тут регистрация), а пока вопросы к вам: - Что добавить в пункт 7️⃣ ? - Сколько стоит такой специалист? - Сколько пунктов вы у себя насчитали?

А может я изобрел велосипед BI нового поколения? Уже третий год я топлю за карты метрик. Проблема в том, что такие карты, деревья KPI или реестры показателей строят единоразово, перед внедрением. А потом BI-система живет своей жизнью. В итоге актуальная бизнес логика оказывается где-нибудь тут: - скрипт на Python или SQL - формула и макрос в Экселе - алгоритм в голове “незаменимого” человека Последний год мы делали много ИИ-экспериментов, и, возможно, нашли решение этой проблемы. Реестр + Карта + Дашборд В разное время эти фичи пробовали и Майкрософт, и Клик, но они не прижились. Потому что сделаны были не по-людски - надо было залезать глубоко в админку, чтобы поменять связи. А теперь в два клика можно заглянуть под капот дашборда, осмылять бизнес-локику, а не только графики. Хоть 20 раз переделывать - все синхронизируется с картой и реестром! И вот еще вишенка на тортике - протоколы с инсайтами. Я делаю “скриншот” области дашборда - он распознает, какие там метрики. В открывшемся окне я сразу пишу протокол с инсайтами и задачами. И это сохраняется в базе, ИИ-агент обучается на записанных выводах. Показал как все устроено в видео выше ⬆️ Мы еще не сделали SaaS, обкатываем решение у клиентов в проектной модели. Но уже сейчас я готов делиться самой идеей, в среду 24 июня в 18:00 мск проведу вебинар. Я расскажу про методику и покажу в действии. А вы поймете, как использовать его, чтобы решить вечную проблему “бизнес не знает, чего хочет от аналитики”. Даже страшно загадывать, но может к этому я и шел последние 15 лет. А ваша обратная связь поможет сделать из этого BI-платформу нового поколения. До встречи в среду 24 июня в 18:00 мск Зарегистрироваться

Сделал планировщик задач, пока чистил данные На первой неделе Роман взялся делать аналитику по исполнению поручений в их организации. Там у них сложная система документооборота, и без бутылки дашборда не разобраться. Но когда сделал дашборд, то на тем стало видно, насколько все плохо с данными. И эту работу по очистке Клод сам не сделает, там много нюансов, понятных лишь человеку. Но ведь у нас расписание коворкингов! Поэтому в назначенное время Роман пришел, посмотрел кейсы других участников и ему пришла идея сделать пока другой проект - гибрид дашборда и системы планирования задач: Можно разделять задачи по горизонту планирования, скачивать комментарии руководителя и отправлять по почте. Пока это самая первая версия, но уже идея уловима. Подробнее в видео. 👆 И ведь суть то коворкингов как раз в этом: мы двигаемся итерациями, обсуждаем идеи и результаты. Рад, что получилось создать такую среду.

А я потихоньку чищу карму от "дешевой ИИ-драмы" (как вы сами сказали), происходившей во время продвижения ИИ-акселератора В канале Нейро-МВА начал выкладывать свои находки, полученные как от процесса ИИ-разработки, так и от процесса фасилитации участников Лестница MVP Методика What / So What / Now What Как я изобрел свой BI-велосипед - сегодня даже рассказывал про этот кейс на конференции techweek А еще вчера, пока летел в самолете, в тишине своими пальцами переписал сайт. Постарался коротко и по делу, без всякого маркетинга Посмотрите, скажите какие у вас сейчас возражения насчет ИИ-Акселератора https://ai.neyro.mba/accelerator

Никто не начинает учиться пожарной безопасности, когда уже горит здание Я часто слышу возражения: У меня на работе нет задач для ИИ. Вот когда появятся - тогда и пойду учиться Зачем учиться - все через полгода устареет. Я спрошу GPT - и он мне составит инструкцию У меня на это один ответ - ПРАКТИКА. Первые 100 часов / первые 10 проектов. 2-3 блина у вас точно выйдут комом. Так что когда появится реальная рабочая задача, надо быть к ней готовым Не обязательно сразу делать ERP систему, можно начать с простых утилит, агентов. Вон вы же все оценили, как Аня навайбкодила себе миньонов, заменивших Эксель на Маке. Проверьте себя Для тех, кто считает что им это не нужно, сами разберутся - мы сделали тестовое задание на навык вайбкодинга. Нужно решить локальную бизнес-задачку - модуль контроля качества для мебельной фабрики. Даже не решить - сделать MVP. На это достаточно полчаса. Посмотрите, что у вас получится и понаблюдайте за своими ощущениями. Может это ступор, раздражение на ИИ, а может интерес и даже азарт. Кто возьмется делать - тем лично проведу диагностику, дам обратную связь Тестовое задание Мебельная фабрика

Клуб безработных аналитиков ИИ забрал у аналитиков тупую работу. И тут выяснилось, что она составляла от 70% до 100%. Я говорю про BI-аналитиков, дата-аналитиков, бизнес-аналитиков и других, кто работал данными и отчетами. Давайте на чистоту, работа этих специалистов не была интеллектуальной: - спрашивали что хочет заказчик - перекладывали это на определенный фреймворк - в программе настраивали формулы и графики - по 10 раз переделывали, потому что "заказчик так сказал" - приходили в наш клуб ныть Да, они наводили порядок. Но не анализировали данные для принятия решений. Ведь чтобы принимать решения, нужны полномочия, опыт несения ответственности. А это уже про работу с людьми. Вспоминаю, какой был ажиотаж на профессию аналитика 5 лет назад: Мы так устали от людей, сейчас выучим BI, Python и SQL — будем работать с данными, где все четко и предсказуемо! 🤡 Выходит, что аналитические навыки теперь нужны только для предпринимателей и топ-менеджеров — кто и правда что-то решает. А рядовые специалисты могут не париться и списывать у Клода. 1000 лет назад переписывать книги каллиграфическим почерком тоже было благородным занятием для избранных... Или это я просто не в духе и зря вас отправляю на биржу труда? Что скажете?

Хватит арендовать такси — пора собрать свою тачку Половина аналитиков, которых я знаю, работают только через Claude. Корпоративные данные, зарплатные ведомости, финотчёты — всё сливается в одно облако. Безопасники давно косятся, а плана «Б» у людей нет. В комментариях недавно написали: «У нас разрешены только внутренние ИИ. За внешние на рабочем компе — сразу по шапке». Я поставил локальный AI и разобрался. Делюсь. Claude — это такси. Платишь за поездку, а водитель слышит весь разговор. Локальный AI — своя машина. Данные остаются на твоём ноуте. Никакого облака и подписок: скачал один раз, пользуешься бесплатно и офлайн. Кузов / Интерфейс (выбираешь под себя): 🔹 Jan.ai — скачал как программу, открыл, работает. Идеально для старта без терминала. → jan.ai 🔹 LM Studio — больше настроек, удобно подбирать модели под размер оперативки. Есть встроенный сервер для Python-скриптов. → lmstudio.ai 🔹 Ollama — классика для тех, кто пишет код. Даёт локальный API вместо платного Claude API. → ollama.com Двигатель (скачиваешь модель внутри интерфейса): 🔹 Qwen (Alibaba) — пишет код, хорошо понимает русский язык 🔹 Llama (Meta) — работает с текстом и логическими задачами 🔹 DeepSeek (DeepSeek) — reasoning-модель: показывает ход рассуждений перед ответом, хороша в сложных задачах ⚠️ Честный тест-драйв: локальная «семёрка» (модели на 7B+ параметров) заведётся и на MacBook Air. Да, они слабее Claude Sonnet 4.6, и огромный массив данных в них не запихнёшь — захлебнутся. Но для базового Python, генерации SQL и чистки чувствительного текста — это идеальный гаражный вариант.