Как компании внедряют ИИ в BI-аналитику и с чего начать

ИИ в BI сегодня чаще всего работает как ассистент. Он отвечает на вопросы обычным языком и строит графики по данным, которые уже собраны и описаны. Поэтому внедрение начинается не с выбора нейросети, а с порядка в данных. Если выручка в 1С, CRM и файле финансиста считается по-разному, ИИ будет выдавать разные цифры на один и тот же вопрос.

Что ИИ уже делает в BI

Ассистенты есть почти во всех крупных платформах. В Yandex DataLens это Нейроаналитик, в Power BI — Copilot, в Visiology — встроенная языковая модель. Они хорошо справляются с такими задачами:

1. ответить на вопрос вроде «какая выручка по филиалам за октябрь» без поиска нужного дашборда;
2. построить новый график или срез по запросу;
3. написать черновик формулы или SQL-запроса для аналитика;
4. найти отклонения и объяснить, почему изменился показатель.

Руководитель перестает ждать аналитика ради простого вопроса, а аналитик тратит меньше времени на типовые отчеты. Но все это работает только поверх настроенной модели данных.

Три способа внедрить ИИ

Встроенный ассистент BI-системы. Самый быстрый вариант, если компания уже работает в DataLens, Power BI или другой платформе с ИИ-функциями. Ассистент видит те же данные, что и дашборды, и учитывает права доступа. Качество ответов целиком зависит от того, насколько хорошо построена и описана модель данных под ним.

Собственный ИИ-агент поверх хранилища. Система, которую делают под задачи компании. Сотрудник спрашивает, а агент находит данные и присылает ответ или утреннюю сводку. В отличие от встроенного ассистента, он работает со всеми данными компании, а не с одной BI-системой. Но сначала данные из 1С, CRM и других систем собирают в хранилище данных и описывают, как считается каждый показатель. Иначе агент не отличит выручку с НДС от выручки без НДС.

Локальная модель внутри контура компании. Нужна тем, кому нельзя отправлять данные во внешнее облако, например из-за требований 152-ФЗ о персональных данных или внутренних правил безопасности. Модель работает на сервере компании, поэтому понадобится оборудование и люди, которые его обслуживают.

С чего начать

1. Выбрать вопросы. Выписать 5–10 вопросов, которые руководители задают чаще всего. Именно на них ИИ должен отвечать точно.
2. Проверить данные. Выяснить, из каких систем берутся цифры, обновляются ли они автоматически и совпадают ли справочники клиентов и товаров в разных базах.
3. Зафиксировать показатели. Договориться, как считается каждая цифра. Выручка по отгрузкам или по оплатам, с НДС или без — для ИИ это разные показатели.
4. Описать модель для ИИ. Дать таблицам и полям понятные названия, добавить синонимы и примеры правильных ответов на частые вопросы.
5. Запустить пилот. Начать с одного отдела и первые недели сверять ответы ИИ с проверенными отчетами.

Где чаще всего ошибаются

Главная ошибка — подключить ИИ к сырым выгрузкам из разных систем и ждать точных ответов. Нейросеть выберет одно из похожих полей, построит аккуратный график и не предупредит, что вариантов расчета было три. Ошибка выглядит убедительно, и ее замечают, когда финансовый и коммерческий директора приходят на совещание с разными цифрами.

Вторая ошибка — не назначить ответственного за модель данных. Учет меняется, появляются новые системы и статьи расходов, и без человека, который обновляет описание данных, ИИ через пару месяцев начинает отвечать неверно. Подробнее о том, почему ИИ не заменяет BI-специалиста, мы разбирали в статье заменят ли ИИ-агенты BI-аналитику.

Итог

ИИ в BI уже экономит время руководителей и аналитиков, но только там, где данные собраны автоматически, а показатели считаются одинаково во всех отчетах. Поэтому первый шаг — не покупка ИИ-инструмента, а проверка того, как устроены данные компании сейчас.

Примеры того, как компании сводят данные из разных систем в единую модель, смотрите в кейсах VSL-BI. Если хотите понять, готовы ли ваши данные к ИИ-аналитике, команда VSL-BI проводит бесплатную консультацию. Посмотрим, как сейчас хранятся и связаны ваши данные, и подскажем, с чего начать.