Аналитики данных всё чаще используют нейросети не только для оптимизации своей работы, но и для создания инструментов для бизнес-пользователей. Одно из ключевых направлений — разговорная аналитика, позволяющая руководителям и менеджерам получать данные через диалог с ИИ-агентами на естественном языке.

ИИ для бизнес-пользователей: разговорная аналитика

Что такое разговорная аналитика и как её используют

Разговорная аналитика — это способ взаимодействия с данными через ИИ-агентов. Пользователь задаёт вопрос на естественном языке, например: «Как изменилась выручка по клиентам из Москвы за последний квартал?». ИИ-агент анализирует запрос, определяет нужные метрики, период и фильтры, обращается к данным и возвращает результат — в виде числа, таблицы или графика.

Задача аналитика — подготовить данные, настроить логику расчётов и обеспечить корректную работу ИИ. Крупные компании, такие как Google, уже интегрируют LLM-модели в BI-инструменты вроде BigQuery и Looker, добавляя разговорный интерфейс как новый слой доступа к данным.

Такой подход позволяет перейти от статичных отчётов и дашбордов к диалоговому взаимодействию. Он особенно эффективен в описательных сценариях — когда нужно понять, что произошло. Разговорная аналитика снижает порог входа в данные для бизнеса, ускоряет получение информации и вынуждает команды чётко формализовать метрики.

Плюсы и ограничения разговорной аналитики

Главное преимущество — бизнес-пользователи не обязаны разбираться в структуре данных, таблицах или SQL. Достаточно сформулировать вопрос — и ИИ даст ответ. Это удобно для одноразовых запросов и снижает нагрузку на аналитиков, которые больше не тратят время на рутинные уточнения.

Однако разговорная аналитика сталкивается с ограничениями. Если в системе есть несколько определений одной метрики — например, gross и net revenue — ИИ может выбрать не то, которое нужно. То же касается неоднозначных терминов: «клиенты из Москвы» — по юридическому адресу или месту проживания? Система либо запросит уточнение, либо сделает допущение, выдав потенциально неверный ответ.

Сложность контроля корректности ответов

Пользователь видит итоговый график или число, но не всегда понимает, какие фильтры и допущения были применены. В отличие от дашборда, где логика расчётов визуально прозрачна, разговорная аналитика требует дополнительных механизмов объяснения — пояснений, расшифровок и явного указания формулы.

Кроме того, ИИ-агенты отвечают на конкретный вопрос, но редко дают «общую картину». Бизнес получает цифру, но не видит контекст: как ведут себя другие сегменты, какие метрики связаны между собой, где есть аномалии.

Поэтому на практике разговорная аналитика пока работает только с чётко определёнными метриками — выручкой, DAU/MAU, retention, churn — и предсказуемыми разрезами. Она не заменяет дашборды, а дополняет их. Дашборды остаются основой для мониторинга, а ИИ-агенты — инструментом для оперативных уточнений.

Семантический слой данных

Что такое семантический слой?

Семантический слой — это перевод сырых данных на понятный бизнесу язык. Он определяет, что означают метрики, и служит единым источником правды. Без него разговорная аналитика невозможна.

Для аналитика это означает переход от ручного пересчёта к работе с зафиксированными определениями. Это снижает конфликты между командами и освобождает время для анализа, а не перепроверки расчётов.

Инструменты для создания семантического слоя

Семантический слой — это не конкретный инструмент, а функция. Её можно реализовать с помощью таких решений, как dbt или Looker.

dbt (data build tool) — инструмент для трансформации данных в хранилище. Он позволяет описывать модели, метрики и зависимости в виде кода, хранить их в Git, тестировать и контролировать версии. dbt превращает SQL-скрипты в управляемый продукт с документацией и проверками.

Looker — BI-платформа, где семантический слой реализуется через язык LookML. Аналитик заранее описывает сущности, связи, агрегации и метрики. ИИ-функции в Looker позволяют задавать вопросы на естественном языке, но ИИ при этом работает не с сырыми таблицами, а через модель LookML — то есть через семантический слой, созданный аналитиком.

Что может пойти не так в разговоре с нейросетью

ИИ не «понимает» данные — он опирается на доступные описания и правила. Если они не заданы строго, модель начинает домысливать.

Например, на вопрос «Какая у нас выручка за квартал?» ИИ может выбрать gross_revenue вместо net_revenue, если это не указано явно. Ответ будет выглядеть логичным, но окажется не тем, который используется в отчётности.

То же с временными рамками. «Активные пользователи в марте» — это пользователи с визитом в марте или MAU по скользящему окну? Без чётких определений ИИ сделает выбор, который может быть фактически неверным.

Особенно опасны разночтения в терминах. «Активный пользователь» для маркетинга, продуктовой команды и финансов может означать разное. Если это не отражено в модели, каждая команда будет работать со своей версией правды — и это повлияет на бюджеты и стратегию.

Такие ошибки не выглядят как сбой. Они выглядят как уверенный, аккуратный ответ — и потому особенно опасны. Они подрывают доверие к данным и превращают разговорную аналитику в дорогостоящий эксперимент.

Рекомендации по работе с семантическим слоем

Чтобы разговорная аналитика работала надёжно, нужно соблюдать несколько принципов:

• Документируйте метрики. У каждой метрики должно быть чёткое определение: формула, временной период, уровень агрегации, исключения. Никакой «магии» — все корректировки должны быть объяснены.
• Версионируйте модель. Метрики со временем меняются. Хранение моделей в системе контроля версий и автоматическое тестирование (например, проверка, что выручка не отрицательна) превращают слой в управляемый продукт.
• Ограничивайте свободу ИИ. В критически важных областях — финансы, отчётность, юридические показатели — ИИ должен использовать только утверждённые метрики и строгие правила расчёта. Чем больше свободы у пользователя, тем жёстче должны быть рамки интерпретации.

Что в итоге

ИИ стал инструментом ускорения и автоматизации в аналитике. Разговорная аналитика расширяет доступ к данным для бизнеса, но не заменяет классические методы. Она повышает требования к качеству данных, чёткости метрик и прозрачности моделей.

Роль аналитика меняется: он перестаёт быть просто «человеком, который пишет SQL», и становится архитектором смыслов — создателем определений, правил и логики работы с данными. Именно в этом сегодня заключается его основная ценность.

Привет, Хабр! Меня зовут Стас Золотарев, я автор на курсах«Аналитик данных»и«Специалист по Data Science»в Яндекс Практикуме.В первой части статьимы выяснили, как аналитик может использовать ИИ в своей повседневной работе и какие навыки в принципе нужны для этого.

Теперь поговорим про бизнес-пользователей, разговорную аналитику, а также возможные проблемы и ограничения в её применении. В этой статье я расскажу:

• что такое семантический слой данных и почему без него невозможна разговорная аналитика,
• порассуждаю о том, заменят ли ИИ-агенты привычные способы взаимодействия с данными — дашборды и таблицы.

Лирических отступлений сегодня не будет, поэтому сразу к делу.

ИИ для бизнес-пользователей: разговорная аналитика

Что такое разговорная аналитика и как её используют

Аналитики используют ИИ не только для оптимизации своих внутренних процессов, но и чтобы создавать инструменты для бизнес‑пользователей (заказчиков). Одно из наиболее заметных проявлений этого подхода — разговорная аналитика.

В рамках неё сотрудники компании (условно, топ-менеджмент и руководители отделов) взаимодействуют с данными через ИИ-агентов. Работает это примерно так:

• пользователь задаёт агенту вопрос на естественном языке,
• агент анализирует задачу, планирует шаги решения,
• после этого обращается к данным и вызывает свои инструменты для работы с ними
• и возвращает результат в удобной для человека форме — в виде числа, таблицы или графика.

Задача аналитика здесь — собирать, дополнять и настраивать все данные и механизмы их обработки, чтобы агенты как можно лучше решали свои задачи.

Крупные технологические компании активно инвестируют в это направление. Google, например, развивает разговорную аналитику внутри BigQuery и Looker, встраивая LLM‑модели непосредственно в BI‑инструменты. Общий вектор очевиден: разговорный интерфейс становится ещё одним слоем доступа к данным.

В аналитическом контексте это означает переход от статичных отчётов и интерактивных дашбордов к диалоговому взаимодействию с данными.

Типичные вопросы к ИИ-агентам звучат максимально по‑бизнесовому, например:«Как изменилась выручка по клиентам из Москвы за последний квартал?»или«Какие продукты дали наибольший рост retention в этом месяце?».

В успешных сценариях ИИ корректно распознаёт метрику, период и фильтры, возвращая, например, процентное изменение выручки с графиком по месяцам или таблицу продуктов с приростом retention и визуальным ранжированием. Такие запросы хорошо работают, потому что опираются на чётко формализованные показатели и простую аналитическую логику.

Лучше всего разговорная аналитика показывает себя в описательных сценариях — когда нужно понять,чтопроизошло,а непочемуэто произошло и что будет дальше. Она снижает порог входа в аналитику для менеджеров и операционных ролей, ускоряет работу с данными и, что важно, вынуждает команды чётче формализовывать метрики и бизнес‑логику.

Плюсы и ограничения разговорной аналитики

Главное преимущество разговорной аналитики — пользователям не нужно понимать, как устроены отчёты, какие таблицы лежат в основе дашборда и где именно считается нужная метрика (за всё это отвечают аналитики). Достаточно сформулировать вопрос привычным языком — и ИИ сгенерирует ответ. Это подходит для одноразовых запросов: быстро посмотреть динамику показателя, сравнить сегменты или уточнить цифру, не погружаясь в BI-интерфейс.

На практике это снижает нагрузку на аналитиков в рутинных ситуациях. Вместо серии однотипных вопросов вроде«А можешь посмотреть выручку по этому сегменту?», бизнес получает инструмент самообслуживания. Аналитик при этом остаётся в контуре — он задаёт правила, описывает метрики и контролирует модель данных, — но меньше времени тратит на ручную поддержку.

Однако границы применимости проявляются довольно быстро. Если в данных существует несколько определений одной и той же метрики (например,grossиnet revenue), либо бизнес‑термины интерпретируются неоднозначно («клиенты из Москвы»— это по юридическому или фактическому адресу?), система либо требует уточнения, либо молча делает допущение и даёт неполный или однобокий ответ.

Неочевидная проблема — сложность контроля корректности ответов

После ответа ИИ-агента, пользователь видит итоговое число или график, но не всегда понимает, какие именно фильтры и допущения были применены. В отличие от дашборда, где структура расчётов зафиксирована визуально, разговорная аналитика требует дополнительных механизмов прозрачности: пояснений, расшифровок и явного указания логики расчёта.

Наконец, разговорная аналитика часто отвечает на конкретный вопрос, но почти не даёт «общей картины». Бизнес получает ответ, не всегда видя контекст: как клиенты ведут себя в других сегментах, какие метрики связаны между собой и где находятся аномалии.

Из-за этого на практике разговорная аналитика пока распространена ограниченно. В продакшене такие решения чаще всего работают поверх строго заданного набора метрик — выручки, DAU/MAU, retention, churn — с заранее определёнными периодами, фильтрами и разрезами.

Сейчас разговорная аналитика не заменяет дашборды, а дополняет их. Дашборды по‑прежнему остаются основным инструментом мониторинга и регулярного контроля показателей, а ИИ‑агенты — инструментом исследования, уточнения и быстрого доступа к данным. Это скорее аккуратное дополнение к классической аналитике, чем её полноценная замена — по крайней мере на текущем этапе развития ИИ-агентов.

И здесь мы подходим к ключевому элементу, без которого разговорная аналитика просто не работает.

Семантический слой данных

Что такое семантический слой?

Семантический слой — это перевод сырых данных в понятный бизнесу язык. Он объясняет, что именно означают цифры, и служит единым источником правды, чтобы все пользователи работали с одинаковыми метриками и понятиями.

Для аналитика наличие семантического слоя радикально меняет характер работы. Вместо того чтобы каждый раз пересобирать метрики и объяснять, почему цифры «не сходятся», он опирается на зафиксированные определения. Это снижает количество конфликтов между командами по поводу корректности расчётов и освобождает время для интерпретации результатов, а не для их пересчёта.

Инструменты для создания семантического слоя

Неважно, какое ПО вы используете. Семантический слой — это прежде всего функция, которая превращает сырые данные в понятные для бизнеса термины. К примеру, за это отвечают такие инструменты, как dbt или Looker.

dbt (data build tool)— это инструмент для трансформации данных внутри хранилища. Он описывает модели данных, метрики и зависимости между ними в виде кода, позволяет хранить их в Git, тестировать и следить за контролем версий. В контексте семантического слоя dbt часто используется для построения витрин данных и централизованного слоя метрик, где бизнес-логика формализована и проверяема. По сути, dbt помогает превратить SQL-скрипты в управляемый продукт с документацией и тестами.

Семантический слой данных может быть реализован и в BI решениях. Например,Looker— это BI-платформа, в которой семантический слой реализуется через язык моделирования LookML. В Looker аналитик заранее описывает сущности, связи между таблицами, допустимые агрегации и бизнес-метрики. В Looker (и в экосистеме Google Cloud) ещё в 2024 году появились ИИ-функции, которые позволяют формулировать вопросы вроде «Покажи выручку по сегментам за последний квартал и сравни с прошлым годом» без написания SQL. Но ключевой момент в том, что такие ИИ-агенты не обращаются напрямую к таблицам хранилища. Они работают через описанную модель LookML — то есть через семантический слой, которым как раз и занимаются аналитики.

Что может пойти не так в разговоре с нейросетью

Если коротко — почти всё ¯\_(ツ)_/¯

С развитием разговорной аналитики и ИИ-интерфейсов значение семантического слоя становится критическим. Искусственный интеллект не «понимает» данные в человеческом смысле, а опирается на доступные поля, связи и описания. Если эти правила не заданы жёстко, модель начинает принимать решения самостоятельно — и не всегда корректно.

Представим простой вопрос:«Какая у нас выручка за квартал?»В базе могут существовать поляgross_revenue,net_revenue,recognized_revenueиbooked_revenue. Без явного определения модель выберет одно из них — возможно, первое по алфавиту или наиболее часто используемое. Ответ будет выглядеть логично, цифра будет аккуратной, но бизнес-метрика может оказаться не той, что используется в отчётности. Ошибка будет не синтаксической, а смысловой.

Временные окна также становятся источником ошибок. Вопрос«Сколько активных пользователей в марте?»кажется очевидным, но что значит«активных»? Это пользователи с хотя бы одним визитом в марте? Или это MAU за март, рассчитанный как скользящее окно в 30 дней? Или пользователи, зарегистрированные в марте и совершившие действие? Если временные рамки не зафиксированы, ответ может быть логически последовательным, но фактически неверным.

Чаще всего проблемы начинаются с разночтений в определениях. Например, «активный пользователь» для маркетинга — это тот, кто хотя бы раз зашёл в продукт. Для продуктовой команды — тот, кто совершил целевое действие. Для финансов — тот, кто заплатил. Если эти различия не отражены в модели, каждая команда будет оперировать своей правдой. Это влияет на оценку retention, на маркетинговые бюджеты и на стратегические решения.

Подобные расхождения редко выглядят как сбой системы. Они выглядят как уверенный и очень аккуратный ответ — именно поэтому они опасны. Когда бизнес обнаруживает несоответствие цифр, доверие к инструменту падает. Разговорная аналитика, вместо того чтобы стать ускорителем принятия решений, превращается в дорогостоящий эксперимент.

Если аналитик не понимает устройство семантического слоя, он не способен валидировать ответы системы. В итоге он может принять «разумно звучащую» цифру за истину — и ошибка будет обнаружена уже на уровне управленческих решений.

Рекомендации по работе с семантическим слоем

Зрелая работа с данными требует дисциплины. Можно выделить несколько принципов, применение которые в работе над семантическим слоем данных  помогает превратить разговорную аналитику в инструмент, на который можно опираться при принятии решений:

1. Метрики должны быть явно задокументированы:с определением, временным окном, уровнем агрегации и списком исключений. Формулы не должны содержать «магии»  — скрытых коэффициентов и неочевидных корректировок без объяснения. Логика расчётов должна быть прозрачной и проверяемой.
2. Критически важноверсионирование семантического слоя. Метрики меняются: появляются новые источники данных, обновляется бизнес-логика, корректируются правила отчётности. Если изменения не отслеживаются, невозможно понять, почему цифра сегодня отличается от цифры месяц назад. Хранение моделей в системе контроля версий и автоматическое тестирование инвариантов — например, что выручка не становится отрицательной или что суммы по сегментам сходятся с общим итогом — превращают слой в управляемый продукт, а не в набор скриптов.
3. Наконец, в системах разговорной аналитики важноосознанно ограничивать свободу модели там, где цена ошибки высока. Финансовые показатели, показатели отчётности или юридически значимые метрики должны браться только из утверждённого списка и рассчитываться строго по заданной логике. Чем больше свободы у пользователя задавать произвольные вопросы, тем строже должны быть правила, ограничивающие интерпретацию.

Что в итоге

ИИ уже стал частью повседневной работы аналитика данных — прежде всего как инструмент ускорения и автоматизации. Разговорная аналитика открывает новые возможности для бизнеса, но не отменяет классические дашборды и отчёты. ИИ не меняет фундамент аналитики, но резко повышает требования к качеству данных, метрик и моделей.

А значит, роль аналитика смещается от «человека, который пишет запросы» к архитектору смыслов, определений и правил работы с данными. И именно в этом, а не в генерации SQL, сегодня заключается его основная ценность.