Нейросети в анализе данных: какие сервисы и как лучше использовать в работе

Ещё несколько лет назад аналитикам приходилось вручную строить сводные таблицы, писать сложные формулы и готовить многостраничные отчёты. Сегодня значительную часть этой работы можно поручить нейросетям. Они помогают изучать большие массивы информации, объяснять закономерности и делать выводы, оформлять и визуализировать результаты. При этом нейросети не заменяют специалистов, а становятся ассистентами, которые берут на себя рутинные задачи и ускоряют анализ данных.

Мы поговорили с практикующими специалистами и в этой статье редакции «Управление» Skillbox Media расскажем:

• какие нейросети помогают руководителям и аналитикам;
• как выбирать нейросети для анализа данных;
• для чего их можно использовать;
• что нужно учесть, доверяя им аналитические задачи.

Какие нейросети помогают в анализе данных

Для анализа данных подходят многие нейросети, которые есть сейчас на рынке. Их можно условно разделить на три категории: универсальные, специализированные и агрегаторы.

Универсальные модели справляются с большинством задач. Например, ChatGPT, Claude, Gemini и Qwen умеют анализировать таблицы Excel и CSV, искать закономерности в данных, формулировать выводы и так далее.

Специализированные инструменты рассчитаны на более узкие сценарии. Так, Perplexity используют для поиска источников и сбора информации, NotebookLM — для анализа большого количества разнородных документов, Power BI Copilot и Tableau AI — для создания отчётов, визуализации данных и работы с дашбордами.

Агрегаторы нейросетей, такие как GenAPI и Chad AI, объединяют несколько моделей в одном интерфейсе и позволяют выбирать наиболее подходящие.

На практике специалисты редко ограничиваются одной нейросетью. Обычно они используют несколько, выбирая оптимальную для решения той или иной аналитической задачи.

Так, директор стратегических направлений ООО «ДАР» (входит в ГК «КОРУС Консалтинг») Роман Таранов поделился, что использует нейросети прежде всего для исследований, формирования идей, структурирования информации и подготовки материалов. ChatGPT он считает моделью «общего применения», которая помогает продумать задачу, проработать подход к ней, сформулировать несколько вариантов решения или структурировать и суммировать результаты.

Для анализа больших массивов PDF- и Word-документов Роман выбирает Gemini и NotebookLM, а Claude использует для быстрого прототипирования — создания черновых интерфейсов, интерактивных макетов и демоверсий продуктов.

Бизнес-аналитик Embedika Корней Мамруков также предпочитает универсальные нейросети, которые помогают ему логически прорабатывать решения для разных задач. Например, с помощью Claude он пишет документацию, формулирует ТЗ на разработку и создаёт макеты.

Генеральный директор компании Kongru.consulting Антон Смирнов сочетает универсальные нейросети со специализированными инструментами. Помимо ChatGPT, Perplexity, Claude и Qwen, в его рабочий набор входит Power BI Copilot, который он использует для описательного и статистического анализа данных, а также их визуализации.

Как выбрать нейросеть для анализа данных

Одна и та же модель может отлично анализировать документы, но уступать конкурентам в работе с кодом, визуализацией или поиском информации. Поэтому сначала нужно сформулировать задачу и подумать, какой тип нейросети сможет её решить.

В команде генерального директора Kongru.consulting Антона Смирнова обычно начинают с бесплатных версий платных нейросетей либо с open-source-моделей. Если их возможностей оказывается недостаточно или обработка запроса занимает слишком много времени, переходят на платные версии.

Если похожую задачу уже приходилось решать ранее, команда просто использует модель, которая показала лучший результат. К новым задачам подход такой: для поиска информации, простого анализа текста, таблицы или документа — Perplexity, для сложного анализа и работы с кодом (генерации, выявления зависимостей) — ChatGPT или Claude, для анализа бэкенда продукта — Qwen.

При этом следует учитывать, что разные нейросети могут по-разному справляться с одним и тем же запросом: одна даст поверхностный ответ, другая — глубокий и развёрнутый. Для директора стратегических направлений ООО «ДАР» (входит в ГК «КОРУС Консалтинг») Романа Таранова главный критерий выбора — достаточно полный и точный результат за один-два промпта при минимальном объёме вводной информации.

«Я бы не советовал слепо ориентироваться на рейтинги моделей: их возможности быстро меняются, и лучший способ — проверять несколько вариантов решения своей конкретной задачи».

Роман Таранов,
директор стратегических направлений ООО «ДАР» (входит в ГК «КОРУС Консалтинг»)

Для чего использовать нейросети: опыт экспертов

Максимальную пользу ИИ-сервисы приносят тогда, когда не заменяют аналитика, а становятся его ассистентами: помогают вникнуть в новые материалы, структурировать информацию, найти необходимые данные, подготовить предварительные выводы и прототипы решений. Эксперты рассказали, какие задачи чаще всего доверяют нейросетям.

Изучение и обобщение информации

Нейросети позволяют быстрее осваиваться в новых темах и проектах. Вместо того чтобы читать десятки документов, можно попросить ИИ объяснить основные идеи и связи между ними.

«Мы используем нейросеть для того, чтобы разобраться в чужом коде или изучить новые функции. Например, если нам нужно погрузиться в новый проект и перенять его у другой команды, то при помощи Claude это можно сделать быстро: достаточно дать ему фрагменты кода и попросить описать логику разработчика.

Другой пример: в Google Sheets появилась функция Query, которая позволяет писать запросы на языке программирования, похожем на SQL. Благодаря самой простой версии Qwen мы поняли, как адаптировать привычные нам SQL-запросы к Query».

Антон Смирнов,
генеральный директор компании Kongru.consulting, продуктовый директор «Профессии BI-аналитик» в Skillbox, тренер по Microsoft Power BI и Power Platform. Ведёт телеграм-канал «Аналитика сегодня» и ютуб-канал Kongru

Другая задача, которую можно доверить нейросетям, — обработка большого объёма разрозненной информации. Они собирают данные из разных источников, структурируют их и выделяют главное — всё это упрощает подготовку аналитических записок и отчётов.

«ИИ-инструменты особенно полезны для обобщения данных. Можно надиктовать мысли или загрузить информацию из нескольких источников, задать нужный формат, и нейросеть быстро сделает структурированные выводы. Разумеется, такие выводы нужно проверять. Даже лучшие нейросети ошибаются, решая задачи в узкоспециализированных отраслях, где требуется глубокая профильная экспертиза».

Роман Таранов,
директор стратегических направлений ООО «ДАР» (входит в ГК «КОРУС Консалтинг»)

Проверка и обновление данных

Нейросети помогают аналитикам актуализировать базы данных: ищут недостающие сведения, выявляют дубликаты и ошибки.

«Мы используем нейросети, чтобы обогатить базу данных. Например, нам нужно было привести в порядок справочник ключевых контрагентов, среди них встречались дубли, и у многих организаций не было ИНН. Сверять ИНН вручную по тысячам компаний — как минимум долго. В платной версии Perplexity мы загрузили список компаний и смогли подтянуть к ним ИНН. Затем мы отправили обновлённый справочник в ChatGPT и Qwen, чтобы выявить некорректные ИНН у юрлиц и очистить данные окончательно».

Антон Смирнов,
генеральный директор компании Kongru.consulting, продуктовый директор «Профессии BI-аналитик» в Skillbox, тренер по Microsoft Power BI и Power Platform. Ведёт телеграм-канал «Аналитика сегодня» и ютуб-канал Kongru

Описание и оценка фактов

По мнению Антона Смирнова, нейросети хорошо справляются с описательным и статистическим анализом — констатацией и оценкой фактов, но пока слабо выявляют скрытые закономерности, не могут дать полноценный прогноз и руководство к действию. Однако и в этом ИИ может ассистировать.

«Например, мы описываем для нейросети алгоритм расчёта и загружаем в неё данные, чтобы она показывала прогноз, основываясь на методологии аналитика. На мой взгляд, сейчас дешевле просто нанять опытного специалиста, однако вдолгую выгоднее обучать нейросеть — это сделает компанию более независимой и ускорит анализ данных в будущем».

Антон Смирнов,
генеральный директор компании Kongru.consulting, продуктовый директор «Профессии BI-аналитик» в Skillbox, тренер по Microsoft Power BI и Power Platform. Ведёт телеграм-канал «Аналитика сегодня» и ютуб-канал Kongru

Визуализация данных и создание макетов

Нейросети всё чаще используют для визуализации результатов, например в виде графиков, схем, дашбордов, а также макетов продуктов.

«У нас в системе есть раздел аналитики, который показывает статистику по разным блокам в виде виджетов. Нужно было подумать, как его улучшить.

Сначала я загрузил в нейросеть все документы, в которых описана функциональность системы и бизнес-ценность всех функций. Далее подробно описал раздел аналитики: что это, для чего и кто им пользуется, — чтобы ещё больше погрузить ИИ в контекст. Затем я попросил выявить недостатки этого раздела и подсказать, что можно улучшить. Это дало мне свежий взгляд на проблемы, которые я сам мог упустить из виду. Из предложенного множества вариантов выбрал один. После я расписал уже своё видение и попросил нейросеть проверить за мной, добавить и раскрыть идею.

Позже я сам сформулировал предложение для заказчика, но для большей наглядности решил сделать макеты. Я попросил Claude написать мне промпт для Claude Design, а затем с его помощью создал макеты всех виджетов. Также я дал задание Claude описать их. Для этого я прислал ему примеры текстов о нашей системе, из которых он перенял нужный слог».

Корней Мамруков,
бизнес-аналитик в Embedika

Как работать с нейросетями, чтобы получать качественный результат

Результат работы с нейросетью зависит не только от выбранной модели, но и от того, как выстроен весь процесс. Вот какие рекомендации дают специалисты.

Определите, можно ли использовать нейросеть. В первую очередь нужно понять, допустимо ли отдавать задачу ИИ. Если данные содержат коммерческую тайну, персональную информацию клиентов или другие конфиденциальные сведения, использовать публичные сервисы нельзя. В таких случаях данные обрабатывают в закрытом контуре — на собственных серверах и в дата-центрах организации.

Есть и другое ограничение: нейросети пока плохо справляются с задачами, которые требуют глубоких знаний по узкой специализации, уникального опыта и высокой ответственности за принятое решение.

Дайте модели максимум контекста. Качество ответа во многом зависит от того, насколько хорошо нейросеть понимает задачу. Поэтому важно объяснить, что именно нужно сделать, какие данные использовать, каким должен быть результат и какие ограничения необходимо соблюдать.

По словам директора стратегических направлений ООО «ДАР» (входит в ГК «КОРУС Консалтинг») Романа Таранова, нейросеть не знает целей проекта, внутренних процессов компании и других деталей, известных человеку. Поэтому часто контекст оказывается важнее, чем сами данные или детальный промпт.

С этим согласен и бизнес-аналитик Embedika Корней Мамруков. Он рекомендует заранее обозначать не только желаемый результат, но и границы работы модели. Если не объяснить, что допустимо, а что нет, нейросеть может решить задачу не так, как нужно.

При этом эксперт отмечает, что даже хороший контекст не всегда помогает. В этом случае проще перейти на другую нейросеть, чем бесконечно дорабатывать промпт. Тем более что новые версии ChatGPT, Claude, DeepSeek и других моделей появляются регулярно и часто заметно превосходят предыдущие.

Подготовьте данные. Перед загрузкой данных в нейросеть нужно убрать всю лишнюю информацию и привести материалы к удобному формату. Для этого важно понимать, к какому типу они относятся. Структурированные данные «разложены по полочкам» — они единообразны, у каждого их элемента есть своё место и назначение. Самый простой пример — таблица. Неструктурированные не подчинены фиксированной схеме, обычно это неформатированные текстовые документы, презентации, сканированные изображения, фотографии, скриншоты, видео- и аудиофайлы и так далее.

Роман Таранов советует переводить неструктурированные материалы в PDF, а при работе с изображениями делать скриншоты и вырезать только те области, которые необходимы для анализа. В структурированных материалах, таких как таблицы, тоже важно убирать «шум» и оставлять данные, действительно важные для решения задачи.

Иногда требуется и разметка данных, отмечает Корней Мамруков. Это помогает нейросети понять, к какой категории относится тот или иной объект. Например, чтобы модель научилась распознавать автомобили на изображениях, ей нужно заранее показать, какие объекты считать автомобилями.

Проверьте результат. Даже качественные модели иногда допускают ошибки, придумывают факты или делают некорректные выводы. Поэтому любые результаты, особенно если они повлияют на бизнес-решения, необходимо проверять вручную, опираясь на собственный опыт или контрольные вопросы.

Например, Роман Таранов не доверяет нейросетям сложные расчёты без последующей проверки. Тексты обязательно вычитывают эксперты компании. Если же речь идёт о табличных данных, то Роман задаёт нейросети контрольные вопросы по ним — такие, чтобы он смог сам быстро проверить, корректен ли ответ.

Другой способ проверки — сравнивать ответы нескольких ИИ-моделей. Благодаря этому можно не только устранить ошибки, но и сделать результат более точным, объединив удачные решения от разных нейросетей.

Корней Мамруков рассказывает, что модели часто не могут подсветить свои недочёты, поэтому он использует вторую нейросеть для проверки ответов первой. Например, просит ChatGPT посмотреть ответы Claude, найти ошибки и обосновать их.

Роман Таранов использует похожий способ при решении сложных аналитических задач: задаёт один и тот же вопрос нескольким моделям, сравнивает их ответы, а иногда передаёт результат одной нейросети другой, чтобы та проверила и дополнила выводы. По его словам, это оказалось полезным при анализе большого массива документов, в которых были описаны будущие регуляторные требования для новой банковской системы.

Генеральный директор компании Kongru.consulting Антон Смирнов называет этот способ «дебатами» между нейросетями. Несколько моделей независимо решают одну задачу, после чего их ответы объединяют в итоговый результат. Такой сценарий используют редко — в основном для действительно сложных задач, например при обработке математических формул, чертежей AutoCAD или научных текстов.

В целом, по мнению Корнея Мамрукова, будущее за теми специалистами, которые умеют анализировать данные самостоятельно и понимают, каким должен быть итоговый результат и как к нему прийти. Благодаря своему опыту и знаниям они могут оценивать работу нейросети и направлять её, чтобы она давала всё более качественные ответы.

Главное о нейросетях для аналитики в трёх пунктах

• Нейросети помогают аналитикам разбираться в новых сведениях, описывать и оценивать факты, проверять, обновлять и визуализировать данные, обобщать информацию и делать выводы. При этом последнее слово всегда остаётся за человеком, у которого есть профильные знания и уникальный опыт.
• Для большей части аналитических задач подходят универсальные нейросети — ChatGPT, Claude, Gemini, Qwen и другие, но если сочетать их и дополнять специализированными инструментами, то можно выполнить анализ данных глубже и качественнее.
• Подготовка данных, грамотно описанный контекст и промпт, обязательная проверка результата — всё это важно для нейросетевого анализа.