ИИ в продуктовой аналитике: почему он не показывает слабые места продукта
Доступ к ИИ есть у всех, но сам по себе он не покажет, где продукт теряет пользователей и выручку. Разбираем, почему и какие данные нужны, чтобы ему доверять.
ИИ-инструменты сегодня есть практически у любой команды. Поэтому возникает понятный соблазн: загрузить данные по продукту в чат и попросить помочь с анализом. Например, объяснить, почему после нового релиза снизилось удержание или изменилась конверсия.
И на первый взгляд ответ может выглядеть убедительно: есть выводы, иногда даже готовый план действий. Но когда дело доходит до реального решения, появляется другой вопрос: а можно ли этому вообще доверять?
Современные модели действительно стали очень умными. Они отлично работают с текстом, помогают с гипотезами и быстро находят закономерности. Но разобраться, что происходит с конкретным продуктом, — задача другого уровня. Здесь уже нужны не только данные, но и контекст, которого у внешнего ИИ просто нет.
Почему внешнего ИИ недостаточно для продуктовых решений
Под внешним ИИ здесь имеются в виду универсальные ассистенты вроде ChatGPT, Claude, Gemini и другие модели, которые не встроены в аналитическую систему компании.
Можно возразить: хорошо, тогда дадим модели больше данных. Это действительно помогает, но не меняет логику работы: внешний ИИ работает только с тем, что ему передали в конкретном разговоре. Именно поэтому даже хороший ответ не всегда превращается в хорошее решение. Причин у этого четыре:
Во-первых, ИИ не знает, какую задачу продуктовая команда решает прямо сейчас. Любому продукту в итоге важна выручка, но путь к ней часто лежит через промежуточные метрики: сегодня команда работает над регистрацией, завтра — над удержанием, потом — над повторными покупками. Если модель этого не знает, она может дать разумный ответ, но не учесть управленческий приоритет.
Во-вторых, у ИИ нет понимания, как устроен путь пользователя именно в вашем продукте. У него есть общее представление о том, где в воронке стоит регистрация, покупка или подписка, но реальные сценарии часто отличаются. Поэтому он не всегда понимает, какие изменения в продукте действительно важны, а какие только выглядят значимыми в данных.
Третья причина обычно самая неприятная. Внешнему ИИ можно рассказать про релизы, сегменты и прошлые изменения, но он не живёт вместе с продуктом и не видит его как непрерывный процесс. Поэтому контекст приходится постоянно восстанавливать заново: что изменилось, что произошло после этого и почему это вообще имеет значение.
И последнее, четвёртое. Даже если загрузить максимум доступных данных, в них всё равно останутся пробелы. В таких местах модель не всегда задаёт уточняющие вопросы и иногда начинает «галлюцинировать» — достраивать недостающий контекст своими предположениями. Поэтому убедительный ответ ещё не означает, что модель действительно поняла продукт.
Поэтому ответы внешнего ИИ лучше воспринимать как сильную подсказку, а не как готовое решение. Он может сильно ускорить работу: подсказать гипотезу, помочь заметить закономерность или посмотреть на данные под другим углом.
Но в продуктовой аналитике этого недостаточно. Когда речь идёт о решениях, которые влияют на продукт и выручку, важен не только сам ответ, но и то, насколько хорошо ИИ понимает контекст, в котором этот ответ появился.
Что нужно ИИ, чтобы анализировать продукт
Проблема большинства компаний не в нехватке данных. Их, наоборот, слишком много. Но сами цифры ещё не говорят, как их принято читать в этом продукте.
Выгрузку ИИ разберёт. А вот правил, которые команда считает очевидными, он не знает. Например, что конверсия здесь — это не регистрация, а оплата подписки. Или что ключевой шаг воронки совсем не там, где его ждёшь. Для команды это настолько привычно, что кажется: «ну это же и так понятно». А в самих данных этого знания нет, и модель просто додумывает недостающее, отвечая уверенно даже там, где ошибается.
Больше данных это не спасает. Дать цифры мало — нужно объяснить и правила, по которым они собраны. А вручную под каждый вопрос это не соберёшь: продукт меняется, данные обновляются, контекст пришлось бы каждый раз собирать заново.
Поэтому главное — не какую модель подключить, а готовы ли сами данные для работы с ИИ. Они должны быть описаны так, чтобы за цифрами модель видела продукт. Компании, которые начинают готовить данные под ИИ сейчас, потом быстрее получат от него максимальную пользу.
Как ИИ меняет продуктовую аналитику
Может показаться, что это всё звучит как будущее. Но для ведущих платформ продуктовой аналитики это уже настоящее. Для них ИИ становится не дополнительной функцией, а основным интерфейсом работы с аналитикой: пользователь всё реже начинает с построения отчёта и всё чаще — с прямого вопроса к данным. Это видно по Amplitude и Mixpanel, где ИИ работает с данными конкретного продукта: внутри самой платформы они уже собраны и связаны между собой. У внешнего ИИ, взятого отдельно, ничего этого нет.
Российский рынок только начинает этот путь. В этой же логике развивается и «Динамика»: здесь ИИ рассматривается не как отдельный чат для разовых выгрузок, а как часть продуктовой аналитики.
ИИ перестаёт быть ещё одним чатом и начинает сам замечать изменения в продукте и подсказывать команде, где разобраться в первую очередь.
ИИ-ассистент внутри «Динамики» называется «Дина». Контекст бизнеса, воронок и событий закладывается в неё при внедрении, поэтому команде не приходится заново объяснять устройство продукта при каждом вопросе. Построенный «Диной» разбор можно открыть в интерфейсе и проверить по исходным данным.
Если свести к одной мысли, разница такая. Внешний ИИ хорошо умеет превращать данные в текст. А управлению продуктом нужно другое — превращать данные в решения, а решения — в результат для бизнеса. Ровно здесь и проходит граница между внешним ИИ и продуктовой аналитикой нового поколения.
