— Юлия, что сегодня нужно бизнесу, чтобы перейти на data-driven культуру в решениях (прим. редактора: принятие решений на основе данных)?

— Большинству компаний не требуется огромный объем данных, им нужны порядок и ясность в информации. Есть 3 важных условия, которые должны быть соблюдены в компании для эффективного внедрения data-driven культуры.

Во-первых, консистентность в данных. Когда маркетинг, продуктовая команда и финансы видят одни и те же цифры. Это звучит просто, но в крупных компаниях я нередко видела обратное: методики расчета не согласованы между командами. Это подрывает доверие к данным и затрудняет принятие решений.

Второе — понятные метрики, на которые команда реально влияет. В момент принятия решения важно из десятка метрик выделить 2-3 ключевые: ценность, качество и риск. Когда команда понимает, какая метрика отвечает за рост продукта, решения становятся намного более точными.

Наконец, данные должны использоваться в рутинных делах автоматически. То есть их не достают по запросу раз в месяц, а они встроены в ежедневные решения. Например, в VK мы выстроили систему, где аналитика автоматически подсказывала, какие сегменты пользователей растут, какие проседают, а отдел маркетинга мог оперативно реагировать на изменения и запускать кампании без задержек.  Когда эти три важных фактора собираются, компании перестают интуитивно распределять бюджеты и начинают системно расти.

— В ИТ-сфере часто речь заходит о том, что внедрить ИИ — это дорогие инвестиции. Можно ли вообще подсчитать их эффективность и какие метрики вы используете в Insight AI?

— Да, и часто предприниматели ее недооценивают. Экономика ИИ-проектов поддается точной оценке, у нее есть стоимость внедрения и стоимость ошибки.

Мы обычно считаем эффективность с помощью метрик, соответствующих международным моделям ROI:

Например, автоматизация проверки документов в крупном e-com сократила ручной труд на 64% и убрала почти все ошибки. Это окупилось менее, чем за 4 месяца. Я считаю, что ИИ — это способ убрать потери, которые несет бизнес.

— А какие еще методики вы применяете, чтобы оценить результат от развития аналитики и в целом конечные улучшения в продукте?

— Мы измеряем эффект на нескольких уровнях:

Это делает вклад аналитики осязаемым, с помощью замеров конкретных цифр и ROI.

— Вам 23 года, но вы уже успели себя проявить в крупнейших компаниях России — Яндекс, ВК, Т-банк…как аналитика влияет на продукты, ориентированные на массового пользователя?

— В продуктах, ориентированных на массового пользователя, я создавала аналитику нового продукта с нуля — от комплексного анализа аналитики платформы до маркетинговых стратегий. Моя зона ответственности охватывала продукты, где аналитика напрямую влияет на масштаб и эффективность бизнеса.

Я занималась e-commerce аналитикой — работа с сотнями тысяч доменов, прогнозирование спроса, фильтрация контента. Работала с экосистемой из сотен тысяч доменов, занимаясь оценкой выручки магазинов и анализом качества архитектуры. Благодаря внедрению автоматических моделей классификации и приоритизации компания смогла поддерживать стабильное качество каталога, фокусироваться на самых прибыльных клиентах и значительно снижать операционные ошибки.

Также разрабатывала и внедряла прогнозные модели для управления вовлеченностью, что позволило снизить отток пользователей на 15% за шесть месяцев, а оптимизация маркетинговых кампаний на основе данных дала рост конверсии на 10% в ключевых сегментах.

— А какие бизнес-задачи вы решали с помощью внедрения аналитики в сфере финтех?

— В сфере финтеха я занималась проектами, которые напрямую влияли на финансовый результат. Я разработала стратегию привлечения клиентов через промо-кампании, которая охватила 50% целевой аудитории. Оптимизация бонусных программ на основе этой модели генерирует чистый приведенный доход (NPV) в 275 млн рублей. Параллельно я проектировала и внедряла антифрод-системы (fraud detection), которые предотвращают финансовые потери более чем на 1,5 млн рублей ежемесячно и позволяют точечно управлять бюджетами, минимизируя риски.

Сейчас в рамках работы в Insight AI я создаю и вывожу на рынок ИИ-продукты для автоматизации, в том числе в финтехе: это ИИ-платформы, например, ассистенты для операторов, чьи решения сокращают время обработки рутинных запросов в 2–3 раза.

— В Яндексе вы работали с e-com продуктом, который охватывал сотни тысяч доменов! Какие фреймворки становятся корпоративным стандартом в e-com и как они развивают продукт?

— В e-com становятся стандартом три ключевых фреймворка, которые позволяют держать под контролем огромные экосистемы, где человеческий фактор просто не справится.

Первое — классификация качества и структуры контента. Модели определяют тематику, полноту, качество карточек товаров, оценивают рискованные или низкокачественные элементы. Такой подход позволяет поддерживать единый уровень качества каталога при больших масштабах ассортимента.

Также важна приоритизация объектов по ценности и рискам. Системы ранжирования выделяют домены, сегменты и карточки товаров, которые дают максимальный вклад в GMV, а также определяют зоны риска: недостоверные данные, аномалии цен, потенциальные нарушения.

И третий ключевой подход — автоматическое выявление аномалий и отклонений. ML модели фиксируют скачки цен, изменения ассортимента, подозрительные паттерны поведения, аномальные всплески активности. Это снижает операционные потери и улучшает качество каталога.

— А как возможности LLM двигают вперед работу с LTV и анализом рисков в финтехе? 

— LLM открыли нам возможность работать с огромным пластом данных, которые раньше было просто невозможно обработать, или это откладывалось из-за огромных временных затрат.

Теперь мы можем анализировать поведение и намерения клиента по тексту, выявлять непрямые признаки риска,  прогнозировать его будущие действия, включая возврат, риск оттока или склонность к покупке.

LLM — это новый уровень скоринга,  который понимает контекст. Например, в одном моем проекте LLM определяла признаки потенциального мошенничества по коммуникативным паттернам и текстовым сигналам клиента, и точность была выше, чем у классического скоринга.

— Может ли искусственный интеллект заменить аналитика, учитывая его возможности быстро обучаться?

— Искусственный интеллект может смело использоваться и заменять людей на рутинных и однотипных задачах, оставляя на ручную доработку только сложные кейсы. Но аналитиков он не заменит.

ИИ ускоряет анализ процессов, данных, может помогать с их обработкой и даже настраивать параметры в моделях для повышения их accuracy и уменьшения ошибок, но ответственность за решения остается у человека.

Компании, совмещающие экспертизу аналитиков и ИИ-решения, получают кратный рост эффективности. Это глобальный тренд: ИИ автоматизирует рутину, а аналитики концентрируются на сложных, стратегических и нестандартных задачах.