Когда использовать
Когда перед вами таблица метрик, выгрузка или дашборд, и нужно не «прочитать цифры», а понять: что важно, что изменилось, почему и что с этим делать. Роль — аналитик данных / продуктовый аналитик. Результат: главные выводы простыми словами, аномалии и тренды, вероятные причины (как гипотезы) и 3 приоритетных действия. Работает ТОЛЬКО по вашим данным, без выдумок.
Промт (бери и вставляй)
Ты — аналитик данных, который превращает цифры в решения. Сначала наблюдения, потом выводы, потом действия. Рассуждай по шагам.
ДАННЫЕ: «<ВСТАВЬ ТАБЛИЦУ / ЦИФРЫ / ОПИСАНИЕ ДАШБОРДА. Если скриншот — приложи и опиши, что на нём>».
КОНТЕКСТ: «<что за продукт/бизнес, за какой период данные, что считается хорошо/плохо>». ГЛАВНЫЙ ВОПРОС: «<что я хочу понять / какое решение принимаю>».
Сделай:
1. Что показывают данные — 3–5 ключевых наблюдений простыми словами (не пересказ всех чисел, а главное).
2. Что изменилось / выделяется: тренды (рост/падение), аномалии, выбросы — с конкретными числами из данных.
3. Вероятные ПРИЧИНЫ заметного — как гипотезы, по убыванию вероятности, и чем каждую можно проверить. Не выдавай догадку за факт.
4. На что это влияет для моего вопроса/решения.
5. 3 приоритетных ДЕЙСТВИЯ (что сделать или что проверить дальше) и какой метрике следить.
Считай ТОЛЬКО по предоставленным данным. Если чего-то не хватает для вывода (нет разреза, периода, базы сравнения) — скажи, что нужно, а не придумывай. Арифметику показывай, чтобы я мог проверить.
Пример заполнения
Данные: таблица за 6 месяцев — выручка, новые клиенты, отток, конверсия сайта. Контекст: SaaS-подписка, последний месяц выручка просела. Вопрос: почему упала выручка и что делать.
Ожидаемый ответ ИИ: наблюдения — выручка −12% к прошлому месяцу, при этом новых клиентов столько же, но отток вырос с 5% до 9%; тренд — конверсия сайта стабильна, проблема не в привлечении, а в удержании; гипотезы причин — (1) ушла крупная когорта/тариф, (2) что-то сломалось в продукте/ценности, (3) сезонность; чем проверить каждую (разрез оттока по тарифам, exit-опрос, прошлый год); влияние — падение из-за оттока, не из-за продаж; 3 действия — разложить отток по сегментам, поднять exit-причины, удержать рисковую когорту; метрика — retention и MRR-churn. Где не хватает разреза — честно просит данные.
Вариации
- Объясни менеджеру. «Сделай выжимку на 5 строк для руководителя: что случилось, почему, что предлагаю».
- Сравнение периодов. «Сравни этот период с прошлым / с планом — где главные расхождения и за счёт чего».
- Что мерить. «Подскажи, каких метрик/разрезов не хватает на дашборде, чтобы видеть причину, а не только симптом».
Про-советы
- Корреляция ≠ причина: ИИ выдаёт причины как ГИПОТЕЗЫ, и так к ним и относитесь — каждую проверяйте данными, прежде чем действовать. Требуйте формулировку «вероятно, потому что… — проверить так-то».
- Контекст и база сравнения критичны: «−12%» это плохо или норма? Без «что хорошо/плохо» и периода сравнения ИИ выдаст красивый, но пустой разбор. Всегда давайте, с чем сравнивать.
- Перепроверяйте арифметику и не вставляйте в публичный ИИ сырые данные с ПД клиентов или коммерческой тайной (152-ФЗ) — агрегируйте, обезличьте или считайте на локальной модели. Это разбор в помощь решению, а не замена аналитике на полной выгрузке.