До половины рабочего времени аналитиков может уходить на нетиповые запросы бизнеса: новые срезы данных, разовые выгрузки, дашборды и проверка гипотез. Каждый такой запрос занимает минимум 2–3 часа, в то время как часть задач даже не доходит до исполнителя из-за очередей. В статье Антон Романов, BI‑аналитик «Битрикс24», расскажет, как решить эту проблему с помощью ИИ-агента и перевести работу с данными на новый уровень.
Снизить нагрузку на аналитиков можно, но такой подход требует отдельного решения. Аналитики работают с корпоративными базами данных, которые собираются из разных систем, у них есть собственные инструменты визуализации вроде Power BI. Они знают структуру данных и умеют их интерпретировать. Просто предоставить пользователям те же доступы и инструменты — не выход. Они не владеют SQL, не разбираются в тонкостях объединения таблиц и не знают, какие нюансы расчетов скрываются за каждым полем.
В компании решили эту задачу просто — дали сотрудникам возможность самим работать с данными через ИИ-агента, предоставив им прямой доступ к проверенному датасету в диалоге с ИИ. Пользователь описывает свою задачу на естественном языке, модель интерпретирует запрос, обращается к специальному изолированному хранилищу данных и выдает готовый результат (таблицу, график или интерактивный отчет).
Любой менеджер может самостоятельно анализировать данные так, как этого требуют его задачи. Тем самым с аналитика снимается поток пользовательских запросов, и он сосредотачивается на задачах, требующих экспертной оценки: проверке сложных гипотез, настройке моделей данных и работе с запросами, которые невозможно автоматизировать.
Разберем по шагам, как организовать такое решение.
Как предоставить пользователям прямой доступ к данным через ИИ-агента
Суть решения в том, чтобы создать отдельное хранилище с проверенными агрегированными данными, подключить к нему ИИ-агента, который умеет интерпретировать запросы на естественном языке, и дать конечным пользователям доступ через простой интерфейс.
Это решение не требует сложной инфраструктуры, аналитик сам в состоянии организовать такую возможность для пользователей буквально за несколько шагов.
1. Формируем отдельный датасет в изолированном хранилище
Не используйте рабочую операционную базу данных, даже если вы даете доступ только на чтение. Выгрузите нужный набор данных или отдельную таблицу в специализированное хранилище. Для этого отлично подходит ClickHouse — колоночная СУБД, оптимизированная для аналитических запросов. Так вы исключите риск случайного изменения данных, а пользовательские запросы не будут создавать дополнительную нагрузку на основную систему.
2. Создаем учетную запись с ограниченными правами
Заведите отдельного пользователя для новой базы данных с правами только на чтение, чтобы защитить данные от несанкционированных изменений. Данные этой учетной записи передайте всем пользователям, которые будут работать с базой.
3. Опишите структуру данных для ИИ
Чтобы ИИ-агент корректно интерпретировал запросы, подготовьте для него подробное описание всех полей датасета. Включите в описание: название каждого столбца, его тип, смысловое значение, возможные значения, единицы измерения, а также важные правила расчетов (например, как считается «активный клиент» или как агрегируется выручка по сделкам). Это должно быть доступно и сотрудникам, и агенту, поэтому можно разместить его, например, в базе знаний. При каждом запросе пользователь будет добавлять в промпт ссылку на него.
4. Регулярно обновляйте датасет
Настройте автоматическое обновление данных из основной системы в выделенный датасет. Периодичность зависит от бизнес-потребностей — ежедневно, еженедельно или в реальном времени. Важно, чтобы пользователи и ИИ всегда работали с актуальной версией.
5. Работайте только с локальными ИИ-агентами
Для работы с датасетом не используйте публичные чаты — ChatGPT, Claude и аналоги. Они отправляют данные на внешние серверы, а это прямой риск утечки коммерческой тайны. Выбирайте решение, которое не передает данные за пределы страны, а еще лучше — работает полностью на вашей инфраструктуре. Например, если вы используете коробочную версию «Битрикс24», вам доступен Bitrix24 GPT — собственная модель платформы. В десктопном приложении «Коворк/Код» она обрабатывает данные локально, на вашем сервере, без передачи вовне.
6. Предоставьте пользователям доступ и обучите базовым промптам
Подготовьте короткую инструкцию, укажите в ней логин и пароль к выделенному хранилищу и покажите, как формировать запрос к ИИ-агенту. Обязательно предупредите их о работе только через локальные ИИ-решения. Приведите несколько шаблонов для начала работы.
Пример промпта для подключения к хранилищу: «Подключись к базе данных по указанным реквизитам: [домен, логин, пароль]. Если подключение не работает, выведи конкретную ошибку. Если работает, выведи таблицы, которые ты видишь».
Чем конкретнее и детальнее пользователь сформулирует задачу, тем точнее будет результат.
Пример промпта для конкретной задачи: «Используй описание полей из базы знаний [ссылка]. Построй дашборд в HTML, который показывает активные контракты за последние 30 дней в разрезе менеджеров, с сортировкой по сумме сделок. Добавь фильтр по региону».
Затраты на внедрение минимальны: отдельное хранилище, один пользователь с правами на чтение, описание полей в базе знаний и доступ к корпоративной ИИ-платформе. Остальное пользователи делают сами с помощью ИИ-агента. В результате вы экономите не менее половины рабочего дня аналитика ежедневно и повышаете скорость принятия решений во всей компании.
Кто может работать с решением и какие данные нужны пользователям
Это решение универсально: с ним могут работать специалисты из самых разных отделов, если для каждого из них собрать собственный набор данных:
- Для отдела продаж сформируйте датасет, содержащий информацию о сделках, клиентах, этапах воронки, суммах и сроках. Пользователи смогут самостоятельно строить отчеты по динамике продаж, сегментации клиентов, эффективности менеджеров.
- Для маркетинга соберите данные о маркетинговых акциях, бюджетах, каналах привлечения, конверсиях. Сотрудники будут анализировать ROI, сравнивать эффективность каналов, оценивать влияние промо-акций на покупки.
- Финансовому департаменту потребуются агрегированные данные по выручке, затратам, платежам. Финансовые отчеты можно будет генерировать в интерактивном формате (HTML-презентации) с возможностью фильтрации по любым параметрам.
При необходимости пользователь может дополнительно подгрузить свой собственный файл, например, прайс-лист или выгрузку из CRM. ИИ-агент обработает объединенные данные и выдаст результат.
Практические рекомендации по внедрению
Чтобы решение работало безопасно и эффективно, соблюдайте несколько простых правил.
- Не подключайте внешние облачные ИИ-модели к данным. Используйте только локально развернутые или корпоративные ИИ-платформы, которые гарантируют сохранность информации внутри периметра.
- Выделяйте отдельное физическое или логическое хранилище. Никогда не давайте доступ к продуктивной базе даже на чтение — тяжелые аналитические запросы могут создать высокую нагрузку и повлиять на работу основных сервисов.
- Инвестируйте время в качественное описание полей. ИИ-агент не способен угадывать бизнес-смысл столбцов. Опишите все коды, статусы, формулы расчета и взаимосвязи. Это единственный этап в создании системы, который требует времени, но так вы сократите количество уточняющих вопросов и ошибок.
- Контролируйте права доступа. Давайте каждому пользователю или группе пользователей доступ только на чтение и только к тем таблицам, которые им нужны.
- Обучайте пользователей формулировать запросы. Проведите короткий воркшоп или создайте памятку с примерами хороших и плохих промптов.
Такой подход не отменяет работу аналитика в компании, а перераспределяет нагрузку. Базовые визуализации и дашборды по-прежнему можно строить с помощью BI-инструментов, эта работа закрывает 70–80% потребностей в регулярной отчетности. Оставшиеся 20–30% — это именно нетиповые, разовые запросы, гипотезы и срезы, которые теперь можно передать пользователям через ИИ-агента.
Компания получает двойной эффект: бизнес-подразделения перестают ждать в очереди и получают данные в нужный момент, а аналитик переключается с операционной рутины на стратегические задачи — углубленный анализ, проверку моделей и развитие самой системы данных.