Обучение ИИ для отдела аналитики данных: где ИИ пишет SQL за вас, а где возвращает правдоподобно неверную цифру
Аналитик получает постановку из трёх слов, а отдаёт число, за которое отвечает головой. ИИ ускоряет первую половину этого пути и создаёт новый риск во второй: запрос выполняется без единой ошибки и возвращает неверный итог. Пять дней разбираем, где проходит граница — на вашей схеме, вашем диалекте SQL и вашей отчётности.
- Формат: очный интенсив в Астане или онлайн
- Срок: 5 дней — «Вайбкодинг», 3 дня — «Claude для работы»
- Цена: онлайн 60 000 ₸ за человека, очно 120 000 ₸
- Площадка: Астана — очно, весь Казахстан — онлайн
Обучение ИИ для отдела аналитики данных: коротко
NOVA Education проводит корпоративное обучение ИИ для отделов аналитики и BI — очно в Астане и онлайн по всему Казахстану. Для аналитиков базовая программа — «Вайбкодинг»: пять дней, 60 000 ₸ за человека онлайн и 120 000 ₸ очно при группе 20–25 человек. Школа работает с 2014 года, резидент Astana Hub, второй год участвует в программе Tech Orda как аккредитованная IT-школа. Интенсив заканчивается капстоуном на задаче отдела: ваша витрина, ваш диалект SQL, ваш отчёт.
В работе аналитика ускоряется не анализ, а всё, что вокруг него: черновик запроса, разбор чужого кода, документация витрин, комментарий к дашборду. По эксперименту Noy и Zhang (Science, 2023, 453 специалиста) на профессиональных письменных задачах время падает на 40% при росте качества на 18%. Ломается ИИ ровно там, где аналитику доверяют больше всего: по Spider 2.0 (ICLR 2025) на реальных корпоративных базах точность text-to-SQL — 37,84% против более 90% на учебных схемах. Ошибка при этом выглядит как успешно выполнившийся запрос с красивым числом.
Эту страницу читает руководитель аналитики или директор, у которого аналитиков двое, а очередь ad-hoc-запросов расписана на месяц вперёд. Ему нужно не знакомство с нейросетями, а чтобы отдел вышел с файлом контекста хранилища, чек-листом приёмки SQL и правилом, что не уходит в публичный чат. По исследованию KPMG в Казахстане (март 2025) 78% компаний намерены повышать квалификацию сотрудников в области ИИ, но 38% из них не запустили ни одной формальной программы обучения, а внутренний регламент по ИИ есть лишь у 20%.
- 01
Черновик SQL по устной постановке бизнеса
В чат прилетает «дай выручку по филиалам за квартал в разрезе канала», и аналитик садится вспоминать, в какой витрине вообще лежит канал.
Модель собирает каркас запроса за минуту — джойны, группировки, оконные функции. Гранулярность агрегата, фильтр по возвратам и сверку итога с закрытым периодом аналитик делает сам, до того как число уйдёт в письмо.
Claude, ChatGPT, помощники в BigQuery и Snowflake, DBeaver
- 02
Разбор унаследованного запроса на 400 строк с шестью CTE
Запрос писал аналитик, который уволился год назад. Комментариев нет, а отчёт по этому запросу уходит правлению каждый понедельник.
Модель разбирает запрос по слоям и объясняет, что делает каждый CTE и где теряется фильтр. Решение, какой слой переписать, а какой не трогать, остаётся за человеком: модель не знает, почему в 2023-м туда вписали исключение по одному филиалу.
Claude Code, Cursor, Claude Projects
- 03
Перевод бизнес-логики из Excel-файла в витрину
Отдел продаж считает план-факт в файле на 14 листах со сцепкой ВПР и тремя сводными. В BI этой логики нет, и повторить её никто не берётся.
Модель читает формулы и описывает логику словами и на SQL. Аналитик сверяет её вывод с исходным файлом на трёх закрытых месяцах и только после совпадения заводит витрину.
Claude с загрузкой xlsx, Power Query, dbt
- 04
Дата-словарь: описания таблиц, колонок и метрик
Документации по хранилищу нет. Новый человек первый месяц ходит и спрашивает, что означает флаг is_active и чем order_date отличается от ship_date.
Модель по DDL и обезличенным примерам строк пишет черновик описаний на 40 таблиц. Определения метрик утверждает владелец данных — иначе в словарь попадёт правдоподобная выдумка, и жить с ней будут годами.
Claude, dbt docs, Confluence или Notion
- 05
Мера DAX и разбор контекста фильтра в Power BI
Мера «выручка LTM» считает верно в карточке и ломается в матрице по менеджерам. На поиск причины уходит вечер и переписка в трёх чатах.
Модель показывает, где контекст фильтра переопределяется, и даёт вариант через CALCULATE. Проверка идёт на трёх известных значениях, которые аналитик помнит наизусть, а не на первом попавшемся срезе.
Copilot в Power BI, Claude, ChatGPT
- 06
Нормализация справочника контрагентов из выгрузки 1С
В выгрузке один контрагент встречается как ТОО «Алма», ТОО "Алма" и Alma LLP. Отчёт по дебиторке двоится, и объяснять это финансистам приходится каждый месяц.
Модель пишет скрипт на pandas с правилами схлопывания и таблицей исключений. Полсотни спорных пар аналитик просматривает глазами — автоматике их не отдают, потому что цена ошибки здесь равна цене неверной дебиторки.
Python, pandas, Jupyter или Colab, Claude
- 07
Разбор расхождения между 1С и дашбордом
Финансы видят в оборотке одну сумму, директор в дашборде — другую, и формально правы оба. Разбор занимает два дня и заканчивается компромиссной формулировкой.
Модель по описанию обоих расчётов выдаёт список гипотез расхождения: курс пересчёта, дата признания выручки, возвраты, внутригрупповые обороты, разная отсечка периода. Каждую гипотезу проверяет аналитик запросами — модель их не проверяет, она их только называет.
Claude, SQL-клиент, выгрузка из 1С
- 08
Тесты качества витрины перед публикацией
Ошибку в витрине находят через неделю, когда её замечает коммерческий директор на планёрке.
Модель по описанию витрины генерирует набор проверок: уникальность ключа, пропуски в обязательных полях, сходимость суммы с источником, допустимый диапазон дат. Пороги задаёт аналитик — модель не знает, что три процента заказов без города у вас нормальная фоновая величина.
dbt tests, Great Expectations, Claude
- 09
Комментарий к дашборду для правления
Дашборд открыт, цифры стоят, но на планёрке спрашивают «и что это значит», и аналитик формулирует на ходу, а потом три часа переписывает.
Аналитик отдаёт модели свод по метрике и получает черновик на восемь строк: что изменилось, на сколько, за счёт какого среза, чего в данных не видно. Причинную формулировку он правит сам — модель охотно назовёт корреляцию причиной.
Claude, ChatGPT, Power BI
- 10
План проверки гипотезы до того, как считать
Просьба «посмотри, влияет ли скидка на повторные покупки» превращается в неделю выгрузок без критерия остановки и без ответа.
Модель помогает разложить вопрос на метрику, срез, период, критерий подтверждения и ожидаемые смещения — до первой строки SQL. Решение, какую гипотезу вообще проверять, остаётся за руководителем: оно про деньги, а не про данные.
Claude Projects, ChatGPT
- 11
Когортный расчёт и удержание там, где SQL неудобен
Когорты собирают руками в Excel раз в квартал, потому что переписывать оконные функции долго, а результат нужен вчера.
Модель пишет расчёт на pandas и собирает таблицу удержания за двадцать минут. Аналитик сверяет первую когорту с прошлым ручным расчётом: расхождение больше процента означает, что модель поняла определение когорты иначе, чем компания.
Python, pandas, Colab, Claude Code
- 12
Единое определение метрики вместо двух правд
Продажи считают активным клиента с отгрузкой за 90 дней, маркетинг — за 180. В двух дашбордах две разные цифры, и спор идёт третий квартал.
Модель сводит формулировки из разных отчётов в одну таблицу расхождений и предлагает варианты общего определения с последствиями каждого. Выбирает и утверждает вариант человек — это управленческое решение, а не вычисление.
Claude, Confluence или Notion, dbt
- 13
Внутренний инструмент вместо файла, который присылают филиалы
Восемь филиалов присылают план в xlsx, аналитик сводит их вручную каждый понедельник и вылавливает битые форматы дат и лишние пробелы в кодах.
На капстоуне «Вайбкодинга» отдел собирает мини-приложение с формой ввода и валидацией — за дни, а не за квартал ожидания в очереди к ИТ. Развёртывание, доступы и место в контуре согласуют с ИТ, а не в обход.
Claude Code, Cursor, Next.js, PostgreSQL
Красные линии отдела аналитики
Аналитика — тот редкий отдел, где ошибка ИИ не выглядит ошибкой. Юрист заметит выдуманную статью, маркетолог — кривой абзац, а неверный SQL отрабатывает за двести миллисекунд и возвращает аккуратное число, которое уходит в отчёт правлению. Поэтому правила здесь жёстче, чем на соседних страницах.
- Сырые выгрузки с ИИН, ФИО, телефонами и адресами клиентов не уходят в публичный чат. По ст. 12 Закона РК от 21 мая 2013 г. № 94-V «О персональных данных и их защите» персональные данные ограниченного доступа собираются и обрабатываются в базе на территории Казахстана, а отправка в иностранный сервис попадает под правила трансграничной передачи. В модель идут обезличенная структура и синтетические строки.
- Строки подключения, пароли, ключи сервисных аккаунтов и содержимое .env не попадают в промпт вместе со схемой. Показывать структуру таблиц можно, показывать доступ к ним — нет.
- Ни один запрос от модели не идёт в отчёт без выполнения на закрытом периоде и сверки контрольной суммы с источником. По Spider 2.0 (ICLR 2025) точность text-to-SQL на реальных корпоративных базах — 37,84% против более 90% на учебных схемах; типовые тихие ошибки — неверный джойн, не та гранулярность агрегата, потерянный фильтр и выдуманное имя колонки.
- Неопубликованные финансовые результаты, управленческая отчётность до утверждения, данные партнёров под NDA и закупочные цены не становятся материалом для черновика комментария к дашборду.
- Модель не назначает причину. Она находит совпадение во времени и охотно называет его причиной; вывод «продажи упали из-за смены выкладки» подписывает человек и отвечает за него сам.
- Ни одна цифра не выходит наружу — в отчёт регулятору, инвестору или на правление — с пометкой «посчитал ИИ». Ответственный за число всегда с фамилией.
Что остаётся у отдела
Собирается на капстоуне — на реальной задаче подразделения, а не на учебном примере.
- Файл контекста хранилища на одну-две страницы: 10–15 ключевых витрин, ключи, гранулярность, определения метрик и типовые ловушки. Вставляется в начало каждого запроса к модели или живёт в проекте ассистента.
- Библиотека промптов под ваш диалект SQL — PostgreSQL, BigQuery или ClickHouse, тот, что стоит у вас, — с обязательным блоком «как проверить результат» в каждом шаблоне.
- Чек-лист приёмки SQL от модели: семь проверок, после которых запрос допускается в отчёт. Печатается на одну страницу и висит рядом с регламентом релизов витрин.
- Регламент по данным для отдела аналитики: что обезличиваем, что не грузим вообще, где ставим синтетику, кто согласует исключение. Одна страница, написанная под ваши колонки, а не общий текст про безопасность.
- Шаблон комментария к дашборду для правления: что изменилось, на сколько, за счёт какого среза, чего в данных не видно.
- Набор тестов качества на одну боевую витрину, поставленный на расписание и отдающий уведомление до планёрки, а не после.
- Замер до и после по трём типовым задачам отдела, сделанный самими участниками на капстоуне: сколько занимал черновик запроса, разбор чужого кода и комментарий к отчёту раньше и сколько занимает теперь.
- Внутренний инструмент с капстоуна «Вайбкодинга» — развёрнутый, с исходниками, которые остаются у компании и переживают увольнение автора.
Аналитик уже пишет код, поэтому выигрыш у него не в переписке, а в SQL, скриптах очистки, мерах DAX и внутренних инструментах. «Вайбкодинг» — пять дней, 60 000 ₸ за человека онлайн и 120 000 ₸ очно в Астане — единственная из трёх программ, где капстоун доводится до работающего приложения: формы ввода вместо файлов от филиалов, сервиса сводки, скрипта на расписании. Если в группе половина — бизнес-заказчики отчётности, а не пишущие аналитики, разумнее взять «Claude для работы»: три дня, 50 000 ₸ и 110 000 ₸ соответственно.
Онлайн — 50 000 ₸ за человека за программу, очно в Астане — 110 000 ₸ за человека, при группе около 20–25 человек.
У нас в хранилище бардак. Сначала надо навести порядок, потом уже думать про ИИ.
Порядок сам не наступит: витрины документируют в последнюю очередь, потому что это скучно и никогда не горит. Ровно эту работу модель делает быстрее всего — черновик описаний на 40 таблиц, таблица расхождений между определениями метрик, набор тестов на витрину. По DORA и Google Cloud (State of DevOps 2025) ИИ работает как усилитель существующих условий: укрепляет сильные процессы и обнажает дисфункцию там, где её прятали. Поэтому первым артефактом интенсива идёт файл контекста хранилища, а библиотека промптов — вторым.
Мы выдали аналитикам ChatGPT полгода назад. Ничего не изменилось.
Инструмент выдали, рабочий процесс не тронули. MIT NANDA в отчёте «The GenAI Divide: State of AI in Business 2025» по обзору более 300 публичных инициатив: около 95% проектов с генеративным ИИ не дают измеримой отдачи, а ценность извлекают узкие внедрения, встроенные в конкретный процесс. Вторую половину ответа даёт Anthropic Economic Index (март 2026): у пользователей со стажем от шести месяцев доля успешных диалогов выше на 10% — навык накапливается месяцами и не появляется от выдачи лицензии. Интенсив сжимает эту кривую и оставляет отделу правила, по которым работают все, а не два энтузиаста.
Подписка на модель стоит копейки. Зачем платить 60 000 ₸ за человека.
Именно поэтому. По Stanford AI Index 2025 стоимость инференса для системы уровня GPT-3.5 упала более чем в 280 раз за два года: инструмент дешевеет и продолжит дешеветь, узкое место лежит в другом месте. Оно называется зубчатой границей: в полевом эксперименте HBS, Wharton, MIT и BCG на 758 консультантах (Organization Science, 2025) внутри зоны компетентности модели качество работы выросло более чем на 40%, а на задаче за её пределами участники с ИИ приходили к верному решению на 19 процентных пунктов реже тех, кто работал без него. Платят за умение видеть эту границу на своих витринах и своих метриках.
Можно ли доверять SQL-запросу, который написал ChatGPT?
Как черновику — да, как результату — нет. По исследованию Spider 2.0 (ICLR 2025) на реальных корпоративных базах точность text-to-SQL составляет 37,84%, тогда как на учебных схемах модели дают выше 90%. Опасны не падающие запросы, а те, что отрабатывают и выдают неверное число: потерянный фильтр, неверный джойн, не та гранулярность агрегата. Правило после обучения одно: выполнение на закрытом периоде и сверка контрольной суммы с источником.
Как ИИ поможет, если он не знает нашу схему базы?
Схему модели даёте вы — обезличенно и один раз. На интенсиве отдел собирает файл контекста хранилища: 10–15 ключевых витрин, ключи, гранулярность, определения метрик, типовые ловушки. Файл вставляется в начало каждого запроса или живёт в проекте ассистента. Без него модель выдумывает имена колонок и джойнит по совпадению названий; с ним черновик запроса попадает в вашу структуру с первого раза.
Заменит ли ИИ аналитика данных?
Нет — он забирает черновую часть и повышает спрос на проверку. По OpenAI GDPval (2025), где 1 320 реальных рабочих результатов из 44 профессий оценивали эксперты со средним стажем 14 лет, лучшие модели выигрывают или играют вничью примерно в половине случаев, при этом работают примерно в сто раз быстрее. Вопрос в том, кто отличит эту половину от второй. Постановка вопроса, выбор метрики, разбор расхождения и подпись под цифрой остаются человеку.
Можно ли загружать выгрузку с клиентами в ChatGPT или Claude?
Сырую — нет. По ст. 12 Закона РК от 21 мая 2013 г. № 94-V персональные данные ограниченного доступа собираются и обрабатываются в базе на территории Казахстана, а передача в иностранный сервис попадает под правила трансграничной передачи. В работе с моделью используют обезличенную структуру и синтетические строки, а сам расчёт выполняется в вашем контуре. Отдельный блок первого дня разбирает, что именно обезличивать в ваших конкретных выгрузках.
Какая программа подходит отделу аналитики — «Вайбкодинг» или «Claude для работы»?
Пишущим аналитикам чаще берут «Вайбкодинг»: пять дней, 60 000 ₸ за человека онлайн и 120 000 ₸ очно в Астане. Причина простая — аналитик уже работает с кодом, и выигрыш у него в SQL, скриптах и внутренних инструментах, а не в переписке. «Claude для работы» — три дня, 50 000 ₸ онлайн и 110 000 ₸ очно — берут, когда половину группы составляют бизнес-заказчики отчётности. Смешанные группы собирают по тарифу «Индивидуально под компанию».
Сколько стоит обучить отдел аналитики из восьми человек?
Цена считается за человека за программу: «Вайбкодинг» — 60 000 ₸ онлайн и 120 000 ₸ очно в Астане, «Claude для работы» — 50 000 ₸ и 110 000 ₸. Расчёт построен на группе 20–25 человек, поэтому отдел из восьми обычно объединяют с соседним подразделением — финансами, продуктом или ИТ — либо берут тариф «Индивидуально под компанию». Расчёт под ваш состав корпоративный куратор присылает в течение 48 часов после заявки.
Оплатит ли Tech Orda обучение наших аналитиков?
Нет. Tech Orda — это ваучер физическому лицу, гражданину Казахстана 18–45 лет, на один курс IT-профессии; корпоративное обучение через программу не оплачивается. NOVA Education второй год участвует в Tech Orda как аккредитованная IT-школа, оператор программы — Astana Hub, но для компании это сигнал о прохождении внешнего отбора, а не источник финансирования. Корпоративный договор оплачивает компания.
Обучить отдела аналитики данных
Оставьте заявку — корпоративный куратор свяжется в течение 48 часов, разберёт задачи подразделения и рассчитает стоимость под размер группы.