В первую очередь я вижу два изменения в своей работе и деятельности коллег из сферы анализа данных.

• Повсеместное применение ИИ как LLM-агентов. Там, где раньше отвечал человек, теперь стараются добавить нейросеть, которая сможет выполнить быстрые и простые задачи.

• Использование в части жизни людей. Например, советы, планирование и так далее. ИИ встроился не только работу, но и в наш быт с разных сторон, всего не перечислить.

По сравнению с тем, что было 5–7 лет назад, стало быстрее и проще планировать. Суммаризация информации по запросу упростила поиск. Теперь не обязательно читать огромные статьи и искать в них полезную информацию — ИИ сократит объем и выделит главное.

Какие ИИ-инструменты появились в анализе данных

В рабочих процессах аналитиков появился вайб-кодинг (vibe coding) — способ описания кода естественным языком через ИИ, который потом превращает текст в привычный исполняемый программный код. С вайб-кодингом я сталкиваюсь со стороны неопытных разработчиков, и часто приходится корректировать их код. Но при правильном применении это полезный инструмент.

Еще в работе помогают копилоты (copilots) — помощник на базе ИИ. Используя их, можно оптимизировать рабочий процесс, начиная писать программу, и он подскажет, что ты хотел бы создать дальше. Лично мне приносит много пользы: стал быстрее писать программы.

Но ИИ принес в анализ данных не только хорошее. Хуже, по моему мнению, стало то, что эрудиция и уровень критического мышления специалистов упали. Когда есть под рукой ChatGPT и возможность получить быстрый ответ или решение, все чаще доверяешь машине — а она по-прежнему не идеальна и может ошибаться, причем даже в элементарных фактах и вычислениях.

Отберет ли ИИ работу у людей-специалистов

Можно сказать, что ситуация с искусственным интеллектом в IT в целом и каждой конкретной профессии — это как технологический прогресс. Ведь последний требует повышения квалификации для новой технологии, как это было, например, с конвейером и первыми промышленными роботами. В итоге они не полностью вытеснили человека из работы, а потребовали освоения новых профессий.

Примерно то же самое происходит и сейчас в цифровой сфере. ИИ забирает у специалистов ту работу, которую можно автоматизировать, — и дает работу тем, кому нужно это автоматизировать и поддерживать.

В аналитике ИИ пока долго будет приходить к тому, чего обычно хотят от «живого» аналитика данных. Нечто простое и быстрое из рабочих задач нейросети уже выполняют. Но чтобы делать глубокие инсайты, модель нужно обучать: показывать данные, как обычному джуну — и тогда, возможно, она чему-то научиться. Думаю, лет через пять мы сможем увидеть этот прорыв в обучении — и ИИ можно будет передать еще какую-то часть задач.

Поэтому сейчас специалистам в анализе важно внедрять ИИ в свои рабочие процессы и помогать себе.

Как джуну автоматизировать работу с помощью ИИ

В первую очередь любой LLM можно попросить держать тебя в тонусе обучения: создать план и напоминать о расписании.

Потом, если есть уверенность в понимании кода, начинайте использовать ИИ как copilot, критично подходя к результатам: помните, что нейросети не идеальны и требуют сверки всех фактов и данных.

Я, например, из ИИ-инструментов предпочитаю бесплатный copilot GigaCode — расширение в VS Code. Он помогает быстрее писать код, также в нем есть встроенный диалог.

Также я активно использую ChatGPT для проектных задач: написать план, предложить задачи и варианты действий, готовые конструкты простых классов. Все это требует проверки, но разработка стала в разы быстрее, чем я бы делал это руками. Вот несколько примеров задач: написать класс, прописать docstrings, составить исследовательскую тетрадку с разными типами повторяющегося кода, спроектировать схему.

Нейросеть не может заменить опыт и знания аналитика данных, но будет полезным инструментом в его работе. Например, для генерации и проверки гипотез, ответов на вопросы о данных, поиска полезной документации.

Поэтому, чтобы повысить привлекательность выпускников для работодателей после обучения, мы дополнили курсы анализа данных для начинающих с нуля релевантным модулем по обучению работе с нейросетями. Выбирайте подходящую профессию, пробуйте бесплатные вводные модули и решайте, хотите ли переходить к полной программе.

Если упростить, человек готов платить за одну из трёх вещей:

• Выгода - продукт делает то, что нужно, дешевле конкурентов.

• Удобство - продукт дороже, но удобнее и понятнее.

• Функциональность - продукт решает задачу лучше, чем другие.

Эта не какая-то новая истина, про это ещё Котлер писал в Marketing Management.

Мы платим не за товар, а за сочетание выгод, удобства и опыта.

Но сейчас кажется, будто мы это немного забыли.

Продукты и эмпатия

В мире диджитал-продуктов, которые стали абсолютно привычными как чайник или зубная щётка. Многочисленные стриминги, доставки, дейтинги, банкинги, все сервисы, которые заменили нам общение “словами через рот”.

На бумаге всё это должно быть удобнее, но на деле мы все хотя бы раз застревали в чате с ботом техподдержки банка, который абсолютно ничего не решает. Или смотрели обязательный сторис про уникальное предложение именно для нас в приложении банка.

У цифровых продуктов нет глаз и ушей. Они не видят, как мы бесимся, не слышат, как мы ругаемся (тут может быть отсылка к одному мессенджеру, а вдруг слышат), и не могут догадаться, что мы просто хотел перевести деньги, а не взять очередной выгодный кредит именно сегодня (главное на специальных условиях).

Поэтому в индустрии появилось понятие эмпатии в продукте, способности понимать контекст, в котором человек живёт и принимает решения.

Эмпатия это не про сострадание и жалость. Это про понимание контекста и логики пользователя. Не “что он делает”, а “почему он делает это именно так”.

Откуда взялась эмпатия в продуктах

Эта идея не придумана продактами на митапах. Она выросла из концепции дизайн-мышления (Design Thinking), подхода, который в 90-е (на минуточку, до появления в нашем современном понимании продуктового менеджмента) разработали IDEO и Stanford d.school.

Первый этап любого дизайн-процесса там называется Empathize — “погрузись в пользователя”. Идея простая: прежде чем проектировать решение, нужно увидеть человека, а не только задачу.

Так эмпатия из качества превратилась в инструмент проектирования ценности.

Как пришло к продактам

В середине 2000-х и начале 2010-х, когда product management стал формироваться как профессия, продакты унаследовали это мышление.

Сначала через культуру product discovery, которую популяризировали Teresa Torres, Marty Cagan и Melissa Perri.

Буквально:

Данные говорят, что происходит. Эмпатия - почему именно это происходит.

Так design-мышление эволюционировало в discovery-мышление: наблюдать, тестировать, понимать пользователя. Для зрелых команд эмпатия перестала быть “soft skill”, а стала причиной принятия решений.

Фреймворки и еще раз фреймворки

Как водится, всё хорошее рано или поздно превращается в процесс.

Эмпатия стала частью фреймворков, появились шаблоны, метрики и KPI. Так родилась гиперсистемность, когда вместо смысла остаётся форма.

В крупных компаниях всё должно быть системно. И в этом нет ничего плохого, вся деятельность менеджмента (эффективного и не очень) направлена на то, чтобы обуздать хаос.

Каждая идея теперь проходит через 5 стадий мук: canvas, hypothesis, experiment, metric, report.

Продакты тоже стараются встроиться. Мы считаем, сколько фич запустили, сколько гипотез проверили, сколько экспериментов провели.

Когда после можно на перформанс ревью написать у сбея заветное:

Запустил X фич и увеличил метрику на Y.

Кажется, что чем больше фич, тем больше value. Но это ловушка.

Если в конце квартала у тебя больше фич, но не больше пользователей, то ты скорее не продакт, а производственная линия.

И вроде всё по науке, но вместе с контролем уходит интуиция. Мы создаем фреймворки, чтобы лучше понимать людей, описывать бизнес модели, фичи, но дальше совсем утонули в них.

Такое явление уже имеет собственный термин и называется feature factory.

Это когда продукт обрастают фичами ради галочки или потому что у конкурентов уже есть, потому что старший менеджер сказал, или просто чтобы в презентации красиво смотрелись цифры.

Standish Group в своём Chaos Report уже много лет пишет пишет, что пользователи активно используют только 20% фич в сервисах. Остальные 80% балласт и когнитивный шум.

Кто делает по-другому

Зрелые компании начали отказываться от feature factory и возвращаться к людям.

Они строят human-centered продукты, где ценность рождается из контекста, а не из конкурентного анализа и построенного заранее roadmap.

В качестве примера Notion, Airbnb, Duolingo, Miro:

• Notion это не блокнот, это инструмент для мышления.

• Airbnb не про бронирование, а про ощущение “дома”.

• Duolingo не про грамматику, а про чувство прогресса и собственного успеха.

• Miro не про доски, а про совместное мышление.

И все они растут именно потому, что строят эмоциональные, осмысленные продукты, вокруг потребностей человека, а не разгоняют delivery velocity.

Конечно, есть и другая сторона. Можно сказать:

Эмпатия это прекрасно, но без экономики, инфраструктуры и аптайма всё это пустая болтовня.

И это тоже будет правдой. Если в продукте не проходят транзакции, пользователю неважно, насколько ты его понимаешь.

Эмпатия без прагматики - просто болтовня. Но прагматика без эмпатии это холодная машина.

Баланс прост: думай о человеке и считай цифры.

Заключение

Фичи нужны, чтобы реализовать ценность. Но если ценность теряется, фичи становятся самоцелью.

Ценность делает из гаражных стартапов корпорации, а из пет-проектов бизнесы.

Не количество кнопок определяет успех, а то, зачем они нужны людям. Такие продукты побеждают в конкурентной среде и становятся прибыльными бизнесами.

Поэтому работая над очередной продуктовой фичей и меняя статус у блока работ на готово, спроси себя:

А кому от этого реально стало лучше?

Если ответ никому значит, это была пустая трата времени.

PS

Думайте не о конкурентах. Не о фичах. Думайте о людях.

Они единственная метрика, которая правда растёт, если делать всё правильно.

Алексей Папировский

Пишу о ремесле разработки сложных продуктов. Если было полезно, у меня есть тг канал @apapirovskiy