ИИ для бизнес-аналитики: какие вопросы задать данным

Задавай данным четыре типа вопросов и строго в таком порядке: что произошло (описательный), почему так вышло (диагностический), что будет дальше (прогнозный), что делать (рекомендательный). Каждый из них должен быть узким, с одним проверяемым ответом; формулировка «покажи аналитику» на роль вопроса не тянет.

Сцену эту видел почти каждый: предприниматель выгружает таблицу продаж, пишет в чат «покажи аналитику», получает простыню из пятнадцати метрик, смотрит на неё минуту и закрывает вкладку, так и не приняв ни одного решения. Цифр после этого стало больше, понятного действия из них не выросло.

Разница между темой и рабочим вопросом простая. «Аналитика по продажам» задаёт направление и допускает сотню разных ответов. Формулировка «какой товар дал в июле больше выручки, чем в июне» имеет ровно один ответ, который проверяется за минуту в той же выгрузке.

Дальше по порядку: как ставить такие вопросы, в каком порядке по ним двигаться, где метод ломается и как убедиться, что ответ настоящий. Нейросеть на этом маршруте считает и подкидывает гипотезы, снимая с тебя ручную арифметику, а выбор темы и решение по итогу остаются за тобой. Из-за такого распределения ролей ИИ-аналитик хорошо ложится в формат цифрового сотрудника с понятной зоной ответственности.

Почему «покажи аналитику» не работает?

Широкая формулировка перекладывает выбор темы на модель. Она видит таблицу с десятком колонок, не знает, что именно тебя беспокоит, и на всякий случай считает всё подряд: выручку, средний чек, количество заказов, конверсию, топ товаров, динамику по дням недели. Каждая цифра по отдельности верна, а вместе они складываются в отчёт, который нечем закончить.

У узкого вопроса ответ один, его можно перепроверить за пару минут, и он либо подтверждает твою догадку, либо ломает её. «На какой неделе квартала выручка просела сильнее всего» возвращает номер недели, и после этого уже понятно, куда копать дальше.

У широкого запроса есть и второй, менее заметный эффект. Ответственность за смысл незаметно переезжает на модель: ты начинаешь читать её сводку как заключение эксперта, хотя она просто перебрала доступные колонки и отсортировала результат. Точная формулировка возвращает эту ответственность тебе, и вывод снова опирается на твою гипотезу о бизнесе.

Порядок вопросов значит не меньше формулировки. Запрос «что делать» до того, как выяснена причина, вынуждает модель достроить причину самостоятельно и подобрать под неё совет. Рекомендация выйдет складной, опираться она будет на воздух.

Какой вопрос данные вообще могут понять?

Прежде чем открывать чат, прогони формулировку по пяти признакам.

• Период. Указан явно: июль, третий квартал, последние 30 дней. Без периода модель выберет его сама и не скажет об этом.
• Объект. Товар, категория, канал, менеджер, филиал. Вопрос всегда про что-то конкретное из твоей таблицы.
• Метрика. Выручка в рублях, число заказов, средний чек, доля возвратов. Слово «эффективность» метрикой не является, пока ты не расшифровал его формулой.
• База сравнения. Прошлый месяц, тот же месяц год назад, соседний филиал, план. Число без базы сравнения ни о чём не говорит.
• Проверяемость. Ответ должен сводиться к цифре, списку или таблице, которые ты сумеешь пересчитать вручную.

Возьмём плохой вариант: «Почему у нас всё плохо с продажами?» Модели здесь не за что зацепиться, поэтому она выдаст общие рассуждения про сезонность и конкуренцию, ни одно из которых не проверяется по твоей выгрузке. Тот же смысл в рабочем виде звучит так: «Сравни выручку по товарным категориям за июль и июнь, покажи пять категорий с самым большим падением в рублях и отдельно в процентах».

Отдельного внимания требует определение метрики. Выручка у собственника, бухгалтера и маркетолога нередко считается по-разному: с НДС и без, по дате заказа и по дате оплаты, с учётом частичных возвратов и без них. Модель возьмёт первое разумное толкование и молча пойдёт дальше, а расхождение вылезет через неделю, когда цифра из отчёта не сойдётся с банковской выпиской. Проговори формулу один раз прямо в запросе: «выручка = сумма поля total по строкам со статусом paid, дата оплаты, возвраты вычитаются». Дальше эта фраза кочует из промпта в промпт и снимает половину будущих споров.

Есть шестой признак, о котором вспоминают реже. Вопрос должен допускать ответ «в данных этого нет». Если формулировка построена так, что модель обязана что-то ответить, она ответит, даже когда нужных колонок в файле не существует. Фраза «если данных для ответа не хватает, скажи об этом прямо и не подставляй оценки» стоит того, чтобы жить в каждом промпте.

Хорошие вопросы полезно копить. Заведи файл, куда складываешь формулировки, которые уже сработали, вместе с описанием выгрузки, на которой они работают. Со временем этот файл превращается в рабочую базу знаний для нейросети, и следующий разбор стартует с готового набора проверенных запросов.

Какие четыре типа вопросов и в каком порядке их задавать?

Любой аналитик, живой или цифровой, проходит один и тот же маршрут.

Тип вопроса	Что спрашиваешь	Пример	Что получаешь
Описательный	Что произошло	«Как менялась выручка по неделям за квартал»	Картину фактов
Диагностический	Почему так вышло	«Из-за каких товаров просела 3-я неделя»	Причину
Прогнозный	Что будет дальше	«Если тренд сохранится, какая выручка в след. месяце»	Гипотезу о будущем
Рекомендательный	Что делать	«Какие 3 товара стоит продвинуть, чтобы вытянуть просадку»	Вариант действия

Правило одно: переходи к следующему типу, когда твёрдо ответил на предыдущий. Каждый шаг даёт материал для следующего, и пропуск любого из них превращает финальную рекомендацию в угадайку.

Шаг 1. Описание: что происходит

Начинай отсюда всегда, включая случаи, когда картина кажется тебе очевидной. Обычно она известна наполовину: ты помнишь общий итог месяца и не помнишь, как он распределился по неделям, каналам и товарам.

Дай модели выгрузку с колонками дата, товар, сумма, канал и попроси посчитать выручку по неделям за квартал, показать результат таблицей и рядом привести формулу расчёта. Добавь условие про честное «данных не хватает», о котором шла речь выше.

Формула показывает, что именно модель считала: сумму по полю, среднее, количество строк. Половина расхождений с твоими собственными цифрами объясняется именно этим: ты считал выручку с НДС, а модель без него, либо ты отбрасывал отменённые заказы, а она их учла.

На этом шаге стоит попросить и профиль данных: сколько строк, какой самый ранний и самый поздний день, сколько пустых значений в каждой колонке. Такой ответ занимает три строки и сразу показывает, годится ли файл для дальнейшей работы.

Шаг 2. Диагностика: почему так вышло

Факт получен: третья неделя просела. Дальше идёшь за причиной.

Попроси взять эту неделю, разложить выручку по товарам и каналам, сравнить с двумя соседними неделями и показать позиции, которые дали основную часть разницы. Здесь модель работает быстрее человека: она режет данные по любым измерениям и находит место утечки за секунды, тогда как в сводной таблице ты потратил бы полчаса.

Механика разложения стоит того, чтобы понимать её на пальцах. Общая дельта между неделями складывается из вкладов отдельных срезов, и сумма этих вкладов обязана сойтись с исходной разницей. Попроси модель вывести таблицу из четырёх колонок: срез, значение до, значение после, вклад в дельту в рублях. Внизу должна стоять строка «итого», совпадающая с общим падением. Расхождение в этой строке само по себе сигнал: где-то потерялись строки, задвоился срез или часть заказов не попала ни в одну категорию.

Полезная деталь: проси не только список просевших позиций, но и их вклад в общее падение в процентах. Часто оказывается, что две трети провала объясняются одним товаром или одним каналом, и остальное разбирать смысла нет.

Видит модель ровно то, что лежит в файле. Данные скажут «просел канал А», а объяснение придёт из твоей головы: сменился менеджер, кончился рекламный бюджет, выпал длинный праздник, поставщик задержал партию. Связка работает, когда обе половины на месте.

Шаг 3. Прогноз: что будет дальше

Прогноз от ИИ живёт со сноской «если ничего не менять». Читай его как гипотезу, которую ещё предстоит проверить фактом следующего месяца.

Попроси прикинуть выручку на следующий месяц по тренду квартала, отдельно перечислить допущения и вернуть диапазон вместо одной цифры. Допущения и диапазон и есть основная ценность ответа: они показывают, при каких условиях число имеет смысл.

Одна точная цифра в прогнозе выглядит убедительно и ничего не стоит. Формулировка «от 800 до 950 тысяч при сохранении текущего трафика и без изменения цен» честнее сухого «874 300», потому что признаёт неопределённость, которая в данных действительно есть.

Отдельно попроси назвать риски, которые модель учесть не может: сезонность вне периода выгрузки, действия конкурентов, изменения в законодательстве. Такой список не даст тебе принять прогноз за расписание.

Шаг 4. Рекомендация: что делать

Финальный шаг оказывается самым опасным, когда предыдущие три пропущены.

Сформулируй так: причина известна, вот она из шага 2, предложи три действия под неё. По каждому попроси указать, на какие цифры оно повлияет и по какому признаку через неделю станет ясно, сработало оно или нет.

Причину подставляешь ты сам, и это ключевой момент шага. Модель, которой оставили право выдумать причину, подберёт её под удобный совет, и проверить такую логику будет нечем.

Требование про способ проверки тоже стоит держать жёстко. Совет «улучшить работу с клиентской базой» проверить нечем, поэтому пользы от него ноль. А вот «вернуть бюджет на контекст в объёме прошлой недели и сравнить выручку канала через семь дней» через неделю либо подтвердится, либо нет.

Как выглядит разбор падения выручки в интернет-магазине?

Владелец магазина видит, что месяц закрылся хуже предыдущего. Дальше пять команд.

Первый запрос просит показать выручку по неделям за месяц с формулой расчёта. Ответ выявляет провал на третьей неделе, остальные три идут ровно.

Дальше владелец просит разложить третью неделю по каналам и сравнить с первой и второй. Проседает контекстная реклама, органика и повторные покупки держатся.

Третьим шагом идёт проверка выгрузки на пропуски, дубли и выбросы. Файл чистый, значит провал реальный, а не следствие потерянных строк.

Четвёртый запрос передаёт модели причину и просит три действия с метриками проверки. Причину владелец вспоминает сам: на той неделе закончился рекламный бюджет и открутка встала на четыре дня. Такое объяснение в таблице не лежит, оно живёт в биллинге рекламного кабинета и в памяти человека.

Последний шаг к модели не относится: владелец берёт одну цифру из отчёта и пересчитывает её вручную в таблице. Сходится, отчёту можно верить.

Пять коротких запросов заняли меньше времени, чем час листания дашборда, и закончились конкретным действием с датой проверки.

Как тот же порядок работает на оттоке клиентов?

Второй пример показывает маршрут там, где продаж в данных вообще нет.

Компания продаёт подписку на обслуживание. Ощущение простое: клиенты стали уходить чаще. Выгрузка содержит дату старта подписки, дату отказа, тариф, канал привлечения и город.

Описательный вопрос звучит так: «Посчитай долю клиентов, отказавшихся в течение первых трёх месяцев, по месяцам старта за последний год». Ответ показывает, растёт ли ранний отток вообще, и часто на этом шаге ощущение не подтверждается: доля стоит на месте, а выросло абсолютное число отказов вместе с числом новых клиентов.

Здесь важна деталь, которую легко упустить: считать надо по месяцу старта, а не по месяцу отказа. Клиенты, пришедшие в июне, ещё не дожили до трёх месяцев к моменту выгрузки, поэтому последние два-три месяца в таблице всегда выглядят лучше остальных. Попроси модель отметить неполные когорты отдельным флагом и не учитывать их в тренде.

Допустим, рост доли подтвердился. Диагностический вопрос разбивает эту долю по тарифам и каналам привлечения и сравнивает с прошлым годом. Выясняется, к примеру, что отток вырос на одном тарифе и в одном канале.

Прогнозный вопрос переводит находку в деньги: «Если доля раннего оттока по этому тарифу сохранится, сколько подписок компания потеряет за квартал и какая это выручка». Диапазон плюс допущения.

Рекомендательный вопрос опирается на причину, которую называет руководитель: канал начал приводить людей с другим ожиданием от услуги. Модель предлагает три действия и способ проверить каждое через месяц по той же метрике раннего оттока.

Разница с первым разбором только в предметной области, маршрут тот же. Именно поэтому метод переносится на любые таблицы: от закупок до загрузки мастеров, и это одна из первых задач, которую разумно отдать ИИ при автоматизации рутины.

Что должно быть в выгрузке до первого вопроса?

Качество ответа упирается в качество файла, поэтому минимальные требования стоит проверить заранее.

• Одна строка равна одному событию: заказу, платежу, отказу. Сводные таблицы с промежуточными итогами модель читает плохо и путает итоги с данными.
• Даты в одном формате и в одной колонке. Разнобой вида «01.07.2026» и «2026-07-01» в соседних строках ломает группировку по неделям.
• Числа без пробелов, валютных знаков и текстовых пометок внутри ячейки. Значение «12 500 руб.» перестаёт быть числом.
• Названия колонок понятные и латиницей или кириллицей без переносов строк. Колонка «Σ итог, р.» вызовет ошибки в запросах.
• Отменённые и тестовые заказы либо удалены, либо помечены отдельной колонкой, чтобы их можно было исключить осознанно.

Подготовка файла занимает десять минут и экономит час разбирательств с расхождениями. Когда одна и та же чистка повторяется каждую неделю, её стоит переложить на короткий скрипт, который приводит колонки к нужному виду за один запуск. Если выгрузка нужна регулярно, всю цепочку выгрузка - проверка - отчёт можно собрать в n8n по шагам и снять ручной этап целиком.

Где метод ломается?

Слабых мест ровно три, и все три предсказуемы.

• Грязные данные. Дубли строк, пустые ячейки, обрезанный период, склеенные категории. Весь маршрут в этом случае честно считает по мусору и выдаёт уверенный вывод, который не имеет отношения к бизнесу. Перед первым вопросом попроси проверить выгрузку на пропуски, дубли и выбросы и показать находки списком. Один чистый источник даёт больше, чем пять подключённых и неприбранных.
• Модель додумывает. При нехватке данных нейросеть тянется к гладкому ответу и обходит честное «не знаю». Лечится это условием «данных не хватает - скажи прямо» в каждом промпте и ручной сверкой хотя бы одной цифры из ответа.
• Прыжок через шаг. Запрос «что делать» с ходу возвращает совет из воздуха. Дисциплина порядка и составляет весь метод, остальное детали.

Есть и четвёртая ловушка, менее очевидная. Найденная связь между двумя цифрами легко читается как причина, хотя она может быть совпадением или следствием третьего фактора. Рост выручки и рост числа звонков в поддержку идут вместе просто потому, что выросло число заказов. Прежде чем строить план на найденной зависимости, спроси у модели, каким третьим фактором эту связь можно объяснить.

Как проверить, что ИИ не выдумал ответ?

Вывод не стоит брать на веру, даже когда он совпадает с твоими ожиданиями. Короткий чек-лист занимает пару минут.

1. Попроси показать формулу расчёта, а при работе с базой - сам SQL-запрос. Читать SQL целиком не обязательно, достаточно посмотреть на условия фильтрации и период.
2. Возьми одну цифру из ответа и пересчитай её вручную. Сверка через сводную таблицу или простую формулу занимает минуту, а при регулярной работе с отчётами пригодится и сравнение подходов из материала про Excel, макросы и ИИ.
3. Спроси: «Какие данные могли бы опровергнуть этот вывод?» Конкретный ответ повышает доверие, уход в общие слова его снижает.
4. Попроси показать промежуточные числа: сколько строк попало в расчёт, какой период реально использован, сколько записей отфильтровано. Расхождение с ожидаемым объёмом обычно вскрывает ошибку.
5. Сверь результат со здравым смыслом и знанием бизнеса. Четырёхкратный рост выручки за неделю без единого события в реальности почти всегда означает баг в данных.

Гарантий такая проверка не даёт, но большую часть выдумок отсекает. Без неё решение на данных и решение на галлюцинации выглядят одинаково убедительно, потому что оба написаны одинаково гладким текстом.

Отдельная привычка, которая экономит нервы: сохраняй промпт и ответ вместе с выгрузкой. Через месяц, когда цифра из отчёта всплывёт в разговоре, ты сможешь показать, откуда она взялась.

Что отвечать на частые возражения?

«У меня мало данных, метод не для меня». Описательный и диагностический шаги работают на нескольких сотнях строк. Прогноз на таком объёме получится грубым, и это нормально: две трети пользы метода приходится на первые два шага.

«Я не разбираюсь в аналитике». От тебя требуется знание собственного бизнеса. Чтобы сформулировать вопрос, достаточно назвать период, объект и метрику, то есть ровно то, что ты и так держишь в голове. Арифметику берёт на себя модель.

«Проще нанять аналитика». Иногда действительно проще, особенно при постоянном потоке задач и сложной инфраструктуре данных. Границу между этими вариантами разбирает материал о том, когда ИИ выходит дороже живого сотрудника. Для нерегулярных разборов раз в неделю связка «владелец плюс модель» обычно выигрывает по скорости.

«А если модель ошибётся и я приму неверное решение». Ошибётся обязательно, вопрос только в частоте. Ровно поэтому чек-лист проверки выше стоит выполнять до принятия решения, а не после.

«Данные лежат в трёх разных системах». Начни с одной, самой полной. Попытка сшить три источника до того, как метод освоен на одном, обычно заканчивается неделей интеграций и нулевым результатом. Сшивание имеет смысл, когда регулярные вопросы уже сформулированы, и тогда оно превращается в отдельный проект по автоматизации бизнес-процессов.

«Я не хочу загружать коммерческие данные в чужой сервис». Возражение здравое, и решается оно на уровне подготовки файла. Из выгрузки убираются имена, телефоны и адреса, клиенты заменяются идентификаторами вида c-1042, а суммы при желании масштабируются на одинаковый множитель. Структура при этом сохраняется полностью, все четыре шага отрабатывают как обычно, а расшифровку идентификаторов ты держишь у себя.

«У нас каждый месяц новая выгрузка, всё придётся объяснять заново». Только если контекст живёт в переписке. Описание бизнеса, схема колонок и определения метрик выносятся в отдельный документ, который прикладывается к каждому новому чату первым сообщением. Обновлять его приходится раз в квартал, когда меняется ассортимент или появляется новый канал.

Что остаётся человеку?

Модель считает, режет данные по измерениям, формулирует гипотезы и пишет понятный текст. Дальше начинается зона, куда она не дотягивается.

Выбор темы принадлежит тебе. Из сотни возможных вопросов важен тот, который связан с текущим решением: расширять склад, менять поставщика, поднимать цену. Данные сами не подскажут, что сейчас на кону.

За пределами таблицы остаётся контекст, который знаешь только ты: смена менеджера, авария у хостера, отпуск ключевого клиента, новый конкурент в районе. Половина аномалий объясняется такими событиями, и ни одно из них в выгрузку не попадает.

Есть ещё цена ошибки, и она распределена неравномерно. Совет «поднять цену на десять процентов» стоит одного клика в чате и месяцев восстановления спроса, если решение окажется неверным. Модель предложит три варианта с одинаково ровной интонацией, взвешивать последствия каждого придётся тебе.

Когда часть маршрута повторяется каждую неделю, её можно передать связке из нескольких специализированных исполнителей: один готовит выгрузку, второй считает, третий собирает отчёт. Логика такого разделения описана в материале про ИИ-агентов для бизнеса. Выбор модели под задачу тоже влияет на результат: длинные выгрузки и объёмный контекст лучше держит Claude.

Как закрепить метод в роли ИИ-аналитика?

Один точный вопрос закрывает один вторник. Чтобы аналитика работала стабильно, четыре шага стоит превратить в регламент.

В регламент входит постоянная инструкция с описанием бизнеса и структуры выгрузки, шаблон отчёта, где под каждой цифрой стоит формула, правило «данных не хватает - скажи прямо» и список из десяти регулярных вопросов, на которые отчёт отвечает каждую неделю. Собранный один раз, он избавляет от необходимости заново объяснять контекст при каждом запуске.

Основу инструкции удобно держать в виде короткого блока, который ты копируешь в начало любого нового чата: чем занимается компания, какие колонки есть в файле и что означает каждая, как считается выручка, какие статусы заказов учитываются, в каком виде ты ждёшь ответ (таблица плюс формула плюс список допущений) и обязательное разрешение сказать «данных не хватает». Пятнадцать строк текста, зато модель перестаёт выдумывать структуру твоего бизнеса на ходу.

Порядок сборки такой роли подробно разобран в инструкции как собрать ИИ-сотрудника с нуля. Обзор задач, которые логично отдать той же роли помимо аналитики, есть в материале про ИИ-ассистента для бизнеса.

Проверяй регламент раз в квартал. Меняется ассортимент, появляются новые каналы, и вопросы, которые год назад были важными, теряют смысл.

С чего начать на этой неделе?

Возьми одну метрику, которая тебя реально беспокоит, и одну выгрузку за квартал. Задай описательный вопрос, получи картину, найди аномалию, разложи её по измерениям, назови причину сам и попроси три действия с метриками проверки. Весь цикл занимает полчаса.

Если это твой первый заход в тему, начни с более простой задачи и общей картины возможностей: с чего разумно стартовать малому бизнесу, разобрано в отдельном материале для новичков.

Пошаговую практику по сборке рабочих сценариев можно пройти в бесплатном курсе в бесплатном обучении ИИмперии - там тот же подход разложен на уроки с заданиями. Разборы на живых данных и обсуждение чужих кейсов идут в закрытом канале ИИмперии.

Собери порядок в инструкцию один раз, и в следующий вторник, когда неделя опять просядет, вместо пятнадцати метрик у тебя будет одна команда и четыре шага: что, почему, что будет, что делать. Какой вопрос ты задашь данным первым?

Источники

• Exploratory data analysis - Wikipedia
• Predictive analytics - Wikipedia
• Data cleansing - Wikipedia
• Cohort analysis - Wikipedia
• Correlation does not imply causation - Wikipedia
• Hallucination (artificial intelligence) - Wikipedia