Николай Чернявский, Т2: «Для аналитиков важно не остаться посредником между нейросетью и клавиатурой»

— Николай, начнем с общих тенденций. За последние пять лет рынок анализа данных сильно изменился. Какие ключевые тренды вы наблюдаете сегодня в работе с big data и аналитическими инструментами? 

— Последние несколько лет в центре внимания остаются искусственный интеллект и машинное обучение. Они все глубже проникают в бизнес-процессы, и работа с данными становится доступнее. Если раньше требовались специалисты со знанием SQL и Data Science (наука о данных), то сейчас часть задач возможно выполнить с применением технологий.

Аналитики уже могут самостоятельно обучать модели и создавать ботов с необходимыми навыками. В результате отходят на второй план рутинные обязанности, такие как подготовка выгрузки данных. 

Специалисты передают подобные задачи агентам, в связи с чем возрастает значимость знаний в области статистики, A/B-тестирования и глубокого понимания продуктовых воронок и бизнес-процессов. Во многих организациях до сих пор получают финансовые отчеты и другие данные с задержкой в несколько недель, что делает их менее актуальными. 

Развитие хранилищ данных и BI-инструментов (Business Intelligence — класс инструментов) позволяет переходить к аналитике в режиме реального времени и принимать решения в моменте.

— Как изменился подход компаний к использованию телеком-данных? Какие задачи бизнеса сегодня чаще всего решаются с помощью big data T2? 

— Чаще всего к нам приходят компании, которые хотят продвигать свои продукты и находить аудиторию с наибольшей вероятностью отклика. Например, производителю или продавцу товаров для рыбалки важно не просто определить потенциальных покупателей, а понять, когда и каким способом с ними лучше коммуницировать. 

Если раньше можно было просто найти правильный сегмент пользователей и отправить им СМС, то сейчас этого недостаточно. Мы помогаем клиенту по целому спектру направлений: например, находим тех, кому интересны товары для рыбалки, и определяем, когда и каким образом лучше всего с ними связаться, чтобы кампания была наиболее эффективной. 

Мы создали T2 AdTech, чтобы избавить людей от информационного шума. Пользователи получают тысячи рекламных предложений в день, поэтому коммуникация должна быть точечной и релевантной. Для этого мы объединяем big data, классический ML (Machine Learning — машинное обучение) и искусственный интеллект. 

Благодаря такому набору инструментов выборку можно расширить под любой запрос клиента. Более того, мы помогаем бизнесу закрывать их потребности в оценке эффективности рекламных кампаний, исследованиях и консалтинге.

Еще одно важное направление — кибербезопасность, антифрод и социальная инженерия. С помощью отслеживаемых в режиме реального времени телеком-данных можно выявлять нетипичное поведение абонента и понять, находится ли он под воздействием злоумышленников. За прошлый год мы отразили более миллиарда атак и предотвратили множество угроз.

У T2 AdTech есть возможность отслеживать перемещения абонентов между базовыми станциями и анализировать данные в агрегированном виде. Наши геоаналитические услуги помогают компаниям управлять своими розничными сетями.

В случае крупных FMCG-компаний (Fast-Moving Consumer Goods — товары повседневного спроса) мы разрабатываем региональную политику, объединяя геоаналитику с нашими исследованиями. 

Работаем и с государственным сектором, в том числе над задачами городского планирования. Например, определяем, где целесообразнее открыть МФЦ или школу. 

— Какие данные помогают настраивать более персонализированные предложения для клиентов?

— Мы видим пол и возраст абонента из контракта, его местоположение по подключениям к базовым станциям, кто кому звонит и отправляет СМС. Собираем информацию о посещении веб-сайтов.

При этом содержание коммуникаций остается недоступным: тайна связи строго соблюдается, а данные обезличиваются.

— Насколько сегодня персонализация зависит именно от качества информации, а не от алгоритмов, которые их анализируют? Или здесь важен баланс и синергия?

— Тут важно сочетание всех факторов. Качество данных необходимо строго контролировать согласно всем стандартам Data Governance (управление качеством данных): мы должны понимать их качество, уметь выявлять ошибки, внедрять систему оповещений и знать, как действовать в случае сбоя. 

При работе с данными действуем согласно известному принципу Data Science: garbage in, garbage out — «мусор на входе — мусор на выходе». Если исходить из неправильных предпосылок, модели дадут неправильный результат. 

Наши аналитики и специалисты в области машинного обучения регулярно посещают конференции, чтобы быть в курсе новых тенденций в мире технологий.

— Почему внешние компании обращаются к операторам за исследованиями на основе big data? Какие преимущества они дают по сравнению с привычными методами анализа аудитории? 

— Для получения аналитики компании используют внутренние источники данных и организовывают самостоятельный сбор данных — через панели, интервью, опросы, данные открытых источников и другие инструменты.

У телекоммуникационной компании есть масштаб. Если сильно упростить, каждый крупный оператор охватывает примерно четверть населения России, а в отдельных проектах мы можем дополнительно привлекать данные коллег из других компаний. Такой полноты охвата нет ни в одной панели. Это первый и самый важный фактор. 

Фактические данные всегда честнее, чем результаты опроса. Люди могут давать социально ожидаемые ответы, хотеть казаться лучше или хуже, на их решения может влиять настроение, поэтому респонденты бывают необъективны. Мы же фиксируем реальные действия. Если человек регулярно посещает сайты о рыбалке, то он увлечен ей с вероятностью в 100%. Но во время интервью он мог бы сказать: «Нет, рыбалка меня не интересует». Почему так ответил — неизвестно. Может, настроение такое было или он стеснялся того, что рыбачит. 

Для проведения интервью требуется много человеческих ресурсов. Мы же собираем информацию автоматически. Вся историчность данных хранится в базах, из которых их можно оперативно достать. Благодаря этому наши исследования получаются дешевле и быстрее.

— Какие ошибки компании чаще всего допускают, когда пытаются самостоятельно интерпретировать информацию и проводить исследования аудитории? 

— Первое — нерепрезентативность выборки. Рассмотрим в качестве примера онлайн-магазин. Если компания проводит опрос среди собственных клиентов через приложение, она получает смещенную выборку: в ней будут только люди, которые уже пользуются продуктом. 

Можно заказать внешнее исследование, но но сделать его качественным и статистически значимым будет дорого. При этом для крупных брендов нередко проводят опросы всего нескольких сотен человек.  

Мы в режиме реального времени можем отслеживать перетоки между конкурентами, значительно шире анализировать причины поведения пользователей, выявляя паттерны, выходящие за рамки изначальной постановки задачи.

— Этой весной вы представили ИИ-интервьюера для проведения интервью и опросов. Как он работает? Насколько он точнее и эффективнее человека? 

— Современный рынок развивается быстрее, чем традиционные методы изучения пользователей. Продуктовые команды вынуждены оперативно принимать решения, тогда как полный цикл полноценного анализа требует значительных временных затрат, бюджета и команды. 

ИИ-Интервьюер объединяет полный цикл качественного исследования в единой платформе: генерирует бриф и дизайн, проводит интервью в формате «живого диалога» и создает готовые инсайты. Искусственный интеллект выступает в роли аналитика, автоматизируя ключевые этапы и ускоряя получение продуктовых решений. 

Еще одной проблемой является ограниченная масштабируемость качественных исследований. Увеличение числа интервью требует пропорционального роста затрат на рекрутинг, модерацию, транскрибацию и анализ данных. В результате бизнес сталкивается с дефицитом своевременных инсайтов: между возникновением продуктового вопроса и получением ключевых выводов проходит слишком много времени. ИИ-Интервьюер решает проблему за счет автоматизации полного цикла качественного исследования.

— Есть ли исследовательские задачи, где участие человека пока остается незаменимым?

— Думаю, искусственный интеллект может сделать уже практически все. Участие человека желательно в тех задачах, где затрагиваются этические вопросы, сложные эмоциональные темы, травмирующий опыт и переживания. В таких разговорах важна эмпатия — способность опытного интервьюера раскрыть тему и почувствовать, когда респонденту требуется дополнительное внимание. 

Также топ-менеджмент компаний может предпочесть личное общение с живым человеком. Это касается и экспертных интервью, где требуется глубокое понимание специфики предметной области. 

— Вы говорили, что ваши специалисты будут проводить регулярный мониторинг того, насколько языковая модель соответствует требованиям проведения глубинных интервью и опросов. Как устанавливаются критерии? Как оценивается достоверность выводов, сделанных ИИ?

— ИИ — исполнитель исследовательского процесса и содержательное ядро продукта: он выступает как профессиональный интервьюер и создает основную потребительскую ценность. ИИ-Интервьюер работает внутри многоуровневой системы Guardrails: его ответы ограничены методологией, допустимыми действиями, контекстом и лимитами, а критические решения — переходы, завершение и исключение —дополнительно проверяются серверной логикой. 

Поверх этого работают системные промпты: они задают базовые ограничения, снижают риск «галлюцинаций» и заставляют ИИ проверять себя в цикле. Пользователь может добавлять собственные пределы, помимо системных. Так нейросеть остается гибкой в диалоге, но предсказуемой и управляемой на уровне продукта. 

ИИ не может произвольно менять сценарий — на каждом шаге ему доступны только продолжение интервью, завершение этапа или исключение. Методология встроена в поведение модели: Guardrails задает нейтральный тон, запрет наводящих вопросов, probing-логику (метод пробивающего зондирования), критерии завершения этапов и сценарии исключения респондента. ИИ удерживает фокус текущего блока и не переходит к следующим темам, даже если участник опроса упомянул их раньше времени.

Система контролирует глубину и длительность интервью: отслеживает число вопросов, ограничивает размер этапов и может принудительно завершить блок при лимите. Полная трассировка решений — платформа сохраняет события этапов, выбранные действия и причины завершения. Поведение ИИ можно анализировать, проверять и улучшать на реальных данных.

— Почему вы решили создать собственный AI-инструмент, а не использовать решения, которые уже есть на рынке? Какие преимущества дает инхаус-разработка?

— Мы работаем с B2B-сектором (Business-to-business — бизнес для бизнеса) и постоянно ищем новые способы закрывать потребности клиентов. Долгое время big data решала такие проблемы рекламодателей  как геоаналитика, реклама, антифрод и PD-скоринг (Probability of Default — инструмент кредитного риск-менеджмента). 

Мы с командой начали развивать направление исследований и консалтинга. Для того, чтобы совершенствоваться в этой сфере, нам требовалось нанять большой штат специалистов, которые будут курировать качественные и количественные исследования. Выход — сделать ставку на Data-driven- и AI-first-подход (когда ИИ становится ядром всей деятельности), привлекая к разработке лучших экспертов в области исследований.

— Используете ли вы ИИ-интервьюера в собственных исследованиях и аналитических задачах?

— Да, к нам обратились коллеги из HR (Human Resources — человеческие ресурсы), мы помогли облегчить их работу на входных и на выходных скрининговых интервью. 

Сейчас мы запускаем пилот ИИ-интервьюера с внутренними исследовательскими подразделения, в котором будем работать с опросами по удовлетворенности и с клиентскими путями наших продуктов.

— Как будет развиваться направление анализа данных в ближайшие годы? Какие технологии могут появиться или какие вы хотели бы, чтобы появились?

— Вход в профессию становится все сложнее. Если раньше аналитиком мог называться тот, кто с помощью SQL может сделать выгрузку или собрать информацию из интернета, то сегодня эту работу выполняет нейросеть. В дальнейшем ИИ-инструменты будут забирать на себя все больше задач. Для аналитиков важно не остаться посредником между нейросетью и клавиатурой, а наращивать продуктовую и отраслевую экспертизу. Классический инструментарий специалиста усилится статистикой и исследовательскими методами.