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

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. На практике они хорошо справляются с такими задачами
- ответить на вопрос вроде «какая выручка по филиалам за октябрь» без поиска нужного дашборда;
- построить новый график или срез по запросу;
- написать черновик формулы или SQL-запроса для аналитика;
- 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 если в компании уже настроена BI-аналитика с единой моделью 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. Программа, которую делают под задачи компании. Сотрудник спрашивает в Telegram, 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 с видеокартой и люди, которые его обслуживают.
С чего начать
- Выбрать вопросы. Выписать 5–10 вопросов, которые руководители задают чаще всего. Именно на них ИИ должен отвечать точно.
- Проверить данные. Выяснить, из каких систем берутся цифры, обновляются ли они автоматически и совпадают ли справочники клиентов и товаров в разных базах.
- Зафиксировать показатели. Договориться, как считается каждая цифра. Выручка по отгрузкам или по оплатам, с НДС или без — для ИИ это разные показатели.
- Описать модель для ИИ. Дать таблицам и полям понятные названия, добавить синонимы и примеры правильных ответов на частые вопросы.
- 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.
Как это выглядит на практике, можно посмотреть в кейсах VSL-BI. Там разобраны проекты, в которых данные из 1С, CRM и таблиц сводили в единую модель, с которой можно работать и дашбордам, и ИИ.
