А как вы думаете, заменит ли ИИ аналитиков? Или что нам ждать от этой штуки? Может мы станем хорошими напарниками?

Давайте немного разберемся

1. Что ИИ уже умеет делать вместо аналитика?

✅ Автоматизация рутины – сбор требований, анализ данных, генерация документации.

✅ Обработка больших данных – быстрее человека находит паттерны и аномалии.

✅ Генерация отчётов и диаграмм – ChatGPT, Copilot, Power BI с ИИ уже помогают.

✅ Предсказательная аналитика – прогнозирует риски на основе исторических данных.

2. Что ИИ пока не может заменить?

❌ Глубокий контекст и переговоры – ИИ не чувствует скрытые мотивы стейкхолдеров.

❌ Креативное решение проблем – не может придумать неочевидное решение, как человек.

❌ Эмпатия и soft skills – не убедит директора выделить бюджет или уладить конфликт в команде.

❌ Ответственность за решения – ИИ не подпишет ТЗ и не понесёт последствия за ошибку.

3. Полная замена или помощник?

🔹 Скорее помощник (как калькулятор для бухгалтера).

🔹 Часть задач уйдёт – например, ручной сбор требований или анализ логов.

🔹 Но появится спрос на новые навыки – умение работать с ИИ, интерпретировать его выводы, принимать финальные решения.

4. Кого заменит, а кого нет?

✔ Рискуют аналитики, которые только "переливают воду" в документации.

❌ Не рискуют те, кто умеет:
- Вести переговоры,
- Понимать бизнес-контекст,
- Принимать нестандартные решения.

____________

Вывод по моему мнению:

ИИ не заменит системных и бизнес-аналитиков, но:
- Слабых специалистов – вытеснит,
- Сильных – сделает в разы продуктивнее.

Совет: осваивай Prompt Engineering, учись задавать ИИ правильные вопросы – и будешь востребованным специалистом. 😉

Как думаешь, какие навыки аналитика ИИ пока не сможет повторить?

SMART, INVEST, MoSCoW – простыми словами для новичков (с моих уст) 😏

Эти три методики помогают правильно ставить цели, разбивать задачи и расставлять приоритеты в разработке продуктов (и не только).

1️⃣ SMART – как ставить понятные цели

Используется, когда нужно сформулировать конкретную, измеримую и достижимую цель.

Расшифровка:

- S (Specific) – Конкретная:
Не "улучшить продукт", а "увеличить скорость загрузки страницы на 20%"

- M (Measurable) – Измеримая:
Должны быть цифры: "привлечь 1000 новых пользователей"

- A (Achievable) – Достижимая:
Не "сделать самый популярный сервис в мире", а "выйти в топ-3 в своём регионе"

- R (Relevant) – Релевантная:
Цель должна быть важна для бизнеса, а не просто "хотелка"

- T (Time-bound) – Ограниченная по времени:
"до конца квартала"

Пример SMART-цели:

❌ Плохо: "Сделать удобный интерфейс".
✅ Хорошо: "Увеличить конверсию оформления заказа с 5% до 8% к 1 декабря за счёт упрощения формы оплаты".

Когда использовать?
✔ Постановка KPI, планирование проектов, личные цели.
_______________

2️⃣ INVEST – как писать хорошие пользовательские истории (User Stories)

Нужен, чтобы задачи в бэклоге были независимыми, ценными и тестируемыми.

Расшифровка:

- I (Independent) – Независимая (можно реализовать без других задач)

- N (Negotiable) – Обсуждаемая (не жёсткое ТЗ, а договорённость с заказчиком)

- V (Valuable) – Ценная (должна приносить пользу пользователю или бизнесу)

- E (Estimable) – Оцениваемая (можно понять, сколько времени займёт)

- S (Small) – Небольшая (чтобы сделать за 1-2 спринта)

- T (Testable) – Тестируемая (есть чёткие критерии выполнения).

Пример INVEST-истории:

❌ Плохо: "Сделать личный кабинет".
✅ Хорошо: "Как пользователь, я хочу видеть историю заказов в личном кабинете, чтобы отслеживать статус доставки".

Когда использовать?
✔ Agile-разработка, Scrum, написание бэклога.
______________

3️⃣ MoSCoW – как расставить приоритеты

Помогает решить, без чего нельзя обойтись, а что можно отложить.

Категории:

- M (Must have) – Обязательно (без этого продукт не работает)

- S (Should have) – Важно, но не критично (можно без этого запуститься)

- C (Could have) – Было бы хорошо (если останется время)

- W (Won’t have) – Не будем делать (по крайней мере сейчас)

Пример MoSCoW-приоритизации для интернет-магазина:
- Must have: Корзина, оплата, каталог товаров.
- Should have: Поиск по сайту.
- Could have: Рекомендации товаров.
- Won’t have: Виртуальная примерочная.

Когда использовать?
✔ Планирование спринтов, MVP, управление требованиями.

_________________

Вывод:
- Хочешь чёткую цель? → SMART.
- Нужно разбить задачу на части? → INVEST.
- Не знаешь, что делать в первую очередь? → MoSCoW.

Источник: @analysis_it

Теперь ты сможешь объяснить их даже бабушке! 😉

Искусственный интеллект в Agile

⏳ 6 мин | 🟤⚪️⚪️

Перейти | BA|SA

Как создаются шедевры: будни технического писателя

⏳ 6 мин | 🟤⚪️⚪️

Перейти | BA|SA

Субъективный рейтинг: 10 самых часто встречающихся ошибок аналитика при написании требований

⏳ 8 мин | 🟤⚪️⚪️

Перейти | BA|SA

RabbitMQ для аналитика: практический ликбез

⏳ 13 мин | 🟤🟤⚪️

Перейти | BA|SA

НФТ к производительности: расчет нагрузки в rps на практическом примере

⏳ 7 мин | 🟤⚪️⚪️

Перейти | BA|SA

Конвейеры данных (Data Pipelines) — это автоматизированные процессы сбора, обработки, преобразования и перемещения данных из различных источников в целевые хранилища (например, базы данных, DWH, озёра данных).

❓У вас может появится вопрос «Зачем знать аналитику?»

1. Понимание данных — чтобы разбираться, откуда берутся данные, как они очищаются и преобразуются.

2. Качество данных — чтобы выявлять и исправлять ошибки на этапе ETL/ELT.

3. Оптимизация запросов — чтобы писать эффективные SQL-запросы, зная, как данные подготовлены.

4. Автоматизация отчётов — чтобы настраивать регулярные выгрузки и дашборды.

5. Взаимодействие с инженерами — чтобы грамотно ставить задачи по доработке пайплайнов.

🤔 Нужно ли углубляться в тему или поверхностно знать основы?

- Да, если аналитик работает с Big Data или участвует в построении аналитической инфраструктуры.

- Нет, если роль ограничена готовыми данными в BI-инструментах, но базовое понимание всё равно полезно.

📎 Так же прикрепляю статьи на данную тему:

- Что такое конвейер данных? И почему вы должны это знать
- Конвейер данных и конвейер ETL: в чем разница?
- Как построить конвейер данных: пошаговое руководство

Источник: @ba_and_sa

Архитектура проекта автоматического обучения ML-моделей

⏳ 11 мин | 🟤🟤⚪️

Перейти | BA|SA

Архитектурные паттерны для высокой масштабируемости. Часть 3

⏳ 9 мин | 🟤🟤⚪️

“Разберем бизнес кейсы ближе к e-commerce, banking. Рассматриваем только data-bounded приложения, т.е. 90% случаев.”

Перейти | BA|SA

Прошлые статьи:

Часть 1
Часть 2

Пример проектирования, ориентированного на домен: От хаоса к чистой архитектуре

⏳ 14 мин | 🟤🟤⚪️

Перейти | BA|SA

Качество требований в IT-проектах

⏳ 8 мин | 🟤⚪️⚪️

Перейти | BA|SA