# 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](<https://www.instagram.com/i_temirbek?igsh=MTZsZXYzN2Mxc3Rsbw==>) **  

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](<https://chatgpt.com/>), а для работы с корпоративными данными [Copilot](<https://copilot.microsoft.com/>), так как есть разрешение от compliance.

**Альтаир Бектуров, директор департамента аналитики данных в Astana International Financial Centre, [Instagram](<https://www.instagram.com/altair.bekturov?igsh=M242b2ppbmplMDZs>) **  

ИИ уже давно стал частью рабочего процесса. Я использую:  

1. [ChatGPT](<https://chatgpt.com/>) — для проверки кода.  
2. Deep research ChatGPT — для сбора данных.  
3. [Python + Pandas](<https://pandas.pydata.org/>) — все основное делаю в них, а с помощью ИИ пишу код значительно быстрее.  
4. [Power BI + AI](<https://www.microsoft.com/ru-ru/power-platform/products/power-bi/?market=ru>) — иногда предлагает интересные инсайты.  

**Арна Кайраткызы, data scientist в Tele2, [Instagram](<https://www.instagram.com/arnakairat?igsh=cWVvdml3ZWdzbWNr>) **

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](<https://github.com/features/copilot>): автодополнение кода в Jupyter и VS Code. Ускоряет написание функций, особенно в аналитических пайплайнах.  

2. [Claude от Anthropic](<https://www.anthropic.com/claude>): 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](<https://www.microsoft.com/ru-ru/power-platform/products/power-bi/?market=ru>): помогает выявлять аномалии в данных, строить прогнозы и находить скрытые зависимости.  

4. [Runway](<https://runwayml.com/>) / [Pika Labs](<https://pikalabsai.org/>): 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.
