«Не хватает решений». Аналитик предложила изменить работу с продуктами

Сегодня на рынке технологических компаний побеждают не те, что обладают наибольшим объемом данных, а те, что способны быстрее превращать данные в конкретные действия и измеримый бизнес-результат. Компании вкладывают миллионы в data-платформы, ИИ и аналитику, но качество решений растет медленно. Однако аналитик данных Юлия Алексеева из Санкт-Петербурга предложила новый подход к работе с данными, который уже получил распространение внутри и за пределами компании.

Юлия Алексеева прошла путь от аналитика данных в Яндексе до CPO в ведущей ИИ-компании и поняла: главная проблема бизнеса не в том, что данных мало. Наоборот, в больших компаниях их более, чем достаточно. Проблема в том, что они не ведут к решениям. Этот вывод стал отправной точкой для авторского фреймворка, который сегодня используют аналитики в ведущих компаниях России.

Юлия начинала карьеру как аналитик данных и последовательно прошла через несколько крупнейших технологических компаний в России — Яндекс, VK, Т-банк, где занималась проектами, напрямую влияющими на финансовый результат. Везде был доступ к огромным массивам данных, современная инфраструктура, талантливые команды. При этом, как она отмечает, во всех командах была одна и та же модель:

«Маркетинг, продуктовая команда и финансы видят разные цифры. Методики расчета не согласованы. Это подрывает доверие к данным, и решения все равно принимаются на основе интуиции. В итоге реальная аналитика находится в разрыве с бизнес-процессами», — говорит она.

Разработка авторского фреймворка получилась благодаря тому, что Юлия получила опыт аналитики в разных областях и выявила общую тенденцию, которая мешала компаниям принимать эффективные решения. При этом результаты ее работы помогали сократить издержки на маркетинг и риски в сфере банкинга.

В компании ВК в роли аналитика данных Юлия Алексеева выстроила систему, где система автоматически отслеживала рост и отток пользовательских сегментов. В итоге маркетинг мог реагировать без задержек. Внедрение прогнозных моделей вовлеченности снизило отток пользователей на 15% за шесть месяцев, а оптимизация кампаний на основе данных дала рост конверсии на 10% в ключевых сегментах.

В Т-банке (там специалист занималась продуктовой аналитикой в финтехе) Юлия разработала стратегию промо-кампаний, охватившую 50% целевой аудитории с NPV 275 млн рублей, а антифрод-системы, которые она проектировала, ежемесячно предотвращают потери более, чем на 1,5 млн рублей.

Юлия Алексеева также работала аналитиком данных в e-commerce направлении, где ее зона ответственности охватывала экосистему из сотен тысяч доменов: прогнозирование спроса, модели классификации и приоритезации товаров, оценка качества каталога. Именно там внедрение автоматических моделей позволило улучшить качество ранжирования доменов на 8–12%. Это был результат, который напрямую повлиял на финансовые риски компании, и Юлия смогла опробовать авторский подход.

Постепенно в продуктовых командах растет уровень инфраструктуры, но качество принимаемых решений повышается медленно, что приводит к финансовым потерям бизнеса. И Юлия решила эту проблему с помощью создания фреймворка.

Сейчас Юлия Алексеева занимает позицию Chief Product Officer в Insight AI — компании, которая создает ИИ-продукты для автоматизации бизнес-процессов. Именно здесь она разработала авторский фреймворк «Decision-Oriented Data-as-a-Product», который описала в серии научных публикаций. Сегодня его уже применяют аналитики за пределами компании.

Суть подхода меняет привычную логику: обычно компании сначала строят архитектуру данных, а потом думают, как ее использовать. Юлия предложила идти от обратного — начинать с вопроса «какие решения мы принимаем каждый день?» и под конкретные решения проектировать дата-продукты.

«В классической модели фокус смещен на инфраструктуру и поставку данных, а не на ценность для принятия решений. Есть идеальный слой витрин, но продуктовые гипотезы формируются вручную, A/B-тесты не доводятся до реального решения, руководители продолжают запрашивать „еще одну выгрузку для проверки“», — делится она.

В рамках фреймворка для каждого регулярного бизнес-решения (кого таргетировать, какие офферы показывать, кого удерживать) фиксируется владелец, ритм пересмотра и требования к данным. В итоге аналитика перестает быть сервисом ручных выгрузок и становится встроенным инструментом управления.

Как подчеркивает Юлия, подход «Decision-Oriented Data-as-a-Product» не только работает, но и показывает рост эффективности управления продуктами в числах. «Например, автоматизация проверки документов с использованием фреймворка у крупного e-commerce клиента Insight AI сократила ручной труд на 64% и окупилась менее, чем за четыре месяца. При этом ИИ-ассистенты для операторов сокращают время обработки рутинных запросов в 2-3 раза» — отмечает аналитик.

Эффективная работа с данными — это способ убрать потери, которые несет бизнес.

«Я рада, что мой подход оценили в профессиональной среде и мы с командой регулярно используем его в работе с крупными клиентами по всей России. Настоящая data-driven культура строится не на объеме данных, а на консистентности. Когда все команды видят одни и те же цифры на метриках, а данные встроены в ежедневные решения автоматически», — резюмирует Юлия.