Топ-7 ИИ-инструментов, которые используют дата-аналитики

Мы опросили практикующих дата-аналитиков и узнали, какими ИИ-инструментами они пользуются в своей повседневной работе. Делимся списком самых полезных решений, которые помогают экономить время, повышать точность и ускорять аналитику.  

Исламбек Темирбек, дата-аналитик в Qatar Insurance Company, Instagram

Как дата аналитики, мы используем ИИ в разных направлениях: 

— автоматизация ручных изменений больших SQL-скриптов
— быстрая обработка текстов 
— документация проектов 
— наброски кода для Python
— автоматизация коммуникации с клиентами.

В основном ChatGPT, а для работы с корпоративными данными Copilot, так как есть разрешение от compliance.

Альтаир Бектуров, директор департамента аналитики данных в Astana International Financial Centre, Instagram

ИИ уже давно стал частью рабочего процесса. Я использую:

1. ChatGPT — для проверки кода.
2. Deep research ChatGPT — для сбора данных.
3. Python + Pandas — все основное делаю в них, а с помощью ИИ пишу код значительно быстрее.
4. Power BI + AI — иногда предлагает интересные инсайты.

Арна Кайраткызы, data scientist в Tele2, Instagram 

Я работаю data scientist’ом в компании Tele2 и параллельно преподаю курс по Data Analytics. С ИИ сталкиваюсь каждый день — не в теории, а в реальных проектах.

На самом деле ИИ давно присутствует в арсенале специалистов по данным — просто раньше он назывался иначе: машинное обучение, нейронные сети, модели прогнозирования. Все это — составляющие ИИ, и data scientist работают с ними уже много лет.

Сам по себе искусственный интеллект стал возможен благодаря развитию data science как дисциплины: именно в этой области развивались методы анализа данных, статистики и вычислений, которые легли в основу современных моделей ИИ.

В крупных компаниях, таких как Tele2, data scientist не столько используют ИИ для автоматизации собственной работы, сколько создают и улучшают ИИ-решения для других отделов и бизнес-направлений.

Например, мы можем строить модели, которые прогнозируют отток клиентов, оптимизируют маркетинговые кампании или автоматически анализируют обращения в call-центр. Все это — примеры прикладного ИИ, над которым работают команды аналитиков и инженеров.

По сути, data science создают «мозг» ИИ-систем — от чистки и подготовки данных до выбора и обучения моделей. ИИ — это не волшебная кнопка, а результат множества инженерных решений, аналитических гипотез и итераций. И в этом процессе дата-аналитики играют ключевую роль.

Вот несколько примеров сервисов, которые действительно облегчают и ускоряют аналитические задачи:

1. GitHub Copilot: автодополнение кода в Jupyter и VS Code. Ускоряет написание функций, особенно в аналитических пайплайнах.

2. Claude от Anthropic: хорошо справляется с обработкой больших документов и извлечением инсайтов из длинных текстов — полезен при работе с отчетами и презентациями.

3. Power BI с AI Insights: помогает выявлять аномалии в данных, строить прогнозы и находить скрытые зависимости.

4. Runway / Pika Labs: применяются для создания коротких визуальных видеоотчетов, которые можно использовать в бизнес-презентациях.

ИИ-инструменты не заменяют аналитика, но становятся надежными помощниками, снимая рутину и позволяя сосредоточиться на главном — интерпретации данных и принятии решений.