Грамотность в данных для работы с AI: как проверить ответ, прежде чем действовать

Вы спрашиваете AI-ассистента, сработала ли кампания. Он строит график, считает, что покупателей стало на 50% больше, и советует увеличить бюджет. Расчёт выглядит верным. Можно ли действовать по этой рекомендации?

Грамотность в данных для работы с AI — это умение сформулировать вопрос, понять данные, на которых построен ответ, проверить расчёт и оценить, что на самом деле подтверждают доказательства. Чтобы начать, не нужно строить AI-модели. Но нужно замечать, когда «больше покупателей» превращается в «кампания сработала лучше» без честного сравнения.

Этот гайд — для тех, кто анализирует бизнес-данные с помощью ChatGPT, Gemini, Claude или другого ассистента. Если ваша цель — строить модели машинного обучения, вам понадобится ещё и другой технический путь: программирование, статистика, оценка моделей и соответствующие инженерные навыки. Здесь цель другая: принять решение лучше на основе анализа, который уже у вас перед глазами.

Верный расчёт может подкрепить неверную рекомендацию

Вот намеренно маленький выдуманный пример. Периоды полные и одинаковой длины, посетители и покупатели определены одинаково; это не результаты пользователей Atterna.

Ассистент пишет: «Покупателей стало на 50% больше. Кампания улучшила результаты. Удвойте бюджет».

Первое предложение верно: (150 − 100) / 100 = 50%. Остальное нужно проверить.

• Конверсия упала с 10% до 5%. Разделите покупателей на учитываемых посетителей: 100 / 1 000, затем 150 / 3 000. Это падение на 5 процентных пунктов, или на 50% относительно исходного уровня.
• Расходы на рекламу в расчёте на одного наблюдаемого покупателя выросли с €4 до €6. Это 400 / 100, затем 900 / 150. Это не обязательно стоимость привлечения клиента: часть покупателей могли быть постоянными, а часть — купить и без рекламы.
• Прибыль неизвестна. У нас нет данных о марже заказов, стоимости скидок и возвратах.
• Причинный эффект кампании неизвестен. «До» и «во время» — разные периоды. Часть разницы могут объяснять состав трафика, сезонность или какое-то другое изменение.

Эти факты не доказывают, что кампания провалилась. Они показывают, почему одной этой таблицы мало, чтобы удвоить бюджет. Обоснованный ответ звучит так: «Покупателей стало больше, но трафик рос быстрее, а расходы на наблюдаемого покупателя выросли. Прежде чем менять бюджет, сравните маржу и найдите подходящую контрольную группу или проведите эксперимент».

Именно этот навык тренирует Atterna: держать расчёт, интерпретацию и решение порознь достаточно долго, чтобы проверить каждое из них.

Семь навыков работы с данными, которые делают AI-анализ полезнее

AI может помочь с каждой строкой этой таблицы. Он может предложить определения, указать на проблему со знаменателем и написать проверочный запрос. Но ему нужен контекст, а гладкое объяснение — не доказательство того, что расчёт под ним проверен.

Давайте ассистенту смысл, а не только задачу

«Проанализируй конверсию» оставляет открытыми сразу несколько решений. Для нашего примера полезнее такая постановка:

Мне нужно решить, увеличивать ли бюджет кампании в следующем месяце. Сравни два полных периода в этой таблице. Конверсия — это число уникальных учитываемых посетителей, которые купили хотя бы раз, делённое на число уникальных учитываемых посетителей. Покажи оба количества, обе доли, разницу в процентных пунктах и относительное изменение. Отдели наблюдаемые изменения от утверждений о том, что их вызвало. Прежде чем рекомендовать изменить бюджет, перечисли, каких данных не хватает.

Это не просто более длинный промпт. Вы задали определение метрики и границу для вывода. Если ассистент выберет другое определение, вы заметите разницу.

Представьте, что держите в голове маленький семантический слой: что означает каждое число, какие строки в него входят и какое решение оно может подкрепить. Документированный семантический слой компании помогает сохранить эти определения в инструментах. Но проверить, что вопрос и определение совпадают, — по-прежнему ваша задача. Когда определением нужно поделиться с коллегой или AI, возьмите шаблон метрики, который можно скопировать.

Практический путь к навыку

Начать можно без SQL. Двигайтесь к тому, чтобы проверять расчёт самостоятельно.

1. Почувствуйте неоднозначность. Wrong Number — бесплатная игра из трёх вопросов: коллеги просят число клиентов, но им нужны разные совокупности. Выберите, кого считать. Без аккаунта и SQL.
2. Научитесь смотреть на строки. Atterna Start начинается с таблиц, столбцов и запроса, собранного мышкой. Дни 1–2 бесплатны без аккаунта; бесплатный аккаунт открывает все десять дней.
3. Потренируйтесь принимать решение. В кейсе «Корзины больше?» маркетинг хочет заложить в прогноз сравнение по промокоду. Спросите, что будет решать это число, договоритесь об определении, напишите SQL и разберитесь, следует ли из данных это утверждение. Основы SQL пригодятся; первый кейс бесплатен без аккаунта.
4. Перенесите привычку на ответ, который у вас уже есть. AI Answer Checker подсказывает уточняющие вопросы для английского текста и стандартного SQL; на странице входа есть русский чек-лист. Мгновенный чек-лист работает локально; дополнительная обратная связь от AI — только с вашего разрешения. Ни один из режимов не может подтвердить исходные данные, которых не видел. Не вставляйте конфиденциальные материалы, которыми вам нельзя делиться.

Кейс 1 начинается с готового запроса. Вы разбираете сравнение, прежде чем решить, какой вывод команда может сделать. Маркетплейс и персонажи вымышлены.

Вы готовы к более долгому расследованию, когда можете объяснить определение, воспроизвести результат и назвать правдоподобное альтернативное объяснение. Meridian превращает это в рабочий день аналитика: с проверенными запросами и рекомендацией, ход которой команда может проследить. Он входит в Atterna Analyst (59 €, разовая оплата): восемь эпизодов, каждый открывается после предыдущего.

Самопроверка из трёх вопросов

Прежде чем читать ответы, вернитесь к таблице с кампанией.

1. Конверсия упала на 5% или на 5 процентных пунктов?
2. Доказывают ли €6 рекламных расходов на покупателя, что привлечение нового клиента стоило €6?
3. Какое одно предложение вы отправите вместо «Удвойте бюджет»?

Ответы: конверсия упала на 5 процентных пунктов, то есть на 50% в относительном выражении. Расходы на покупателя — не доказанная стоимость привлечения, потому что эти покупатели не обязательно новые и не обязательно пришли благодаря кампании. Полезная рекомендация называет наблюдаемый компромисс и просит сравнить маржу и получить доказательства причинной связи, прежде чем масштабировать. Единственно верной формулировки нет; важно само различие.

Частые вопросы

Что такое грамотность в данных применительно к AI?

Это умение понимать данные, на которых строится работа с AI, и задавать к ним вопросы: откуда они взялись, что означает метрика, как посчитано число и подтверждают ли доказательства вывод. Для бизнес-анализа хорошая первая проверка — сможете ли вы объяснить числитель и знаменатель доли.

Что выучить, прежде чем анализировать данные с AI?

Начните с таблиц, определений метрик, разницы между количеством записей и числом уникальных людей, долей, средних и честных сравнений. Затем освойте SQL или формулы в электронных таблицах настолько, чтобы воспроизвести результат. Пользоваться AI можно и во время учёбы: тренируйтесь проверять его ответы, а не сверяться с ними, как с ответами в конце учебника.

Грамотность в данных — это то же самое, что промпт-инжиниринг?

Нет. Формулировка промпта помогает объяснить задачу, но грамотность в данных подсказывает, что вложить в задачу и как проверить ответ. Понимать, что заказы и клиенты — разные величины, важно, с кем бы вы ни работали: с AI, коллегой или дашбордом.

Можно ли освоить эти навыки без программирования?

Да. Определения, знаменатели и сравнения можно тренировать на маленьких таблицах с калькулятором. Wrong Number — точка входа без кода. SQL пригодится, когда нужно просмотреть больше строк, воспроизвести расчёты и понять, что на самом деле считает сгенерированный запрос.

Это относится и к Gemini, а не только к ChatGPT?

Да. Проверяйте одно и то же, каким бы ассистентом вы ни пользовались: источник, определение, временное окно, фильтры, расчёт и силу вывода. Если вторая модель согласна с первой, это не независимая проверка; воспроизвести результат по нужным данным — более сильное доказательство.