Отчётность выглядит удобной мишенью для автоматизации: регулярно, однотипно, отнимает время. И она действительно автоматизируется хорошо — но не той частью, которую обычно предлагают автоматизировать.
Жёсткое правило, с которого стоит начинать:
> Цифры считает база данных. Модель их не считает никогда.
Причина не в том, что модель плохо складывает. Причина в том, что она ошибается молча: неверная сумма выглядит ровно так же убедительно, как верная, и попадает в отчёт, который читает руководство. В отчётности это неприемлемо в принципе.
Что автоматизируется без всякого ИИ
Прежде чем говорить о модели, стоит сказать: большая часть работы над отчётом — это сборка данных, и она решается запросами и выгрузками.
- забрать данные из источников;
- посчитать показатели;
- собрать в файл или дашборд;
- разослать по расписанию.
Если сейчас отчёт собирается руками из трёх выгрузок в Excel, автоматизация этого шага даст основную часть эффекта — и ИИ там не нужен вовсе. Это ровно тот случай, о котором отдельно: «Когда хватит скрипта вместо ИИ».
Модель добавляется поверх готовых чисел, а не вместо них. Поэтому проект по автоматизации отчётности я делю на два этапа, и первый — сборку данных — предлагаю сделать в любом случае.
Что модель действительно делает хорошо
Комментарий к цифрам. Не «выручка 4,2 млн», а «выручка выросла на 12%, основной вклад — направление Б, где рост 34% при стабильном среднем чеке». Числа берутся из расчёта, модель формулирует.
Поиск отклонений и их описание. Правило находит показатели, вышедшие за границы, модель объясняет, что это значит в контексте остальных данных.
Сведение качественных данных. Комментарии менеджеров к сделкам, причины отказов, содержание обращений — то, что лежит текстом и не суммируется. Здесь модель незаменима.
Ответы на вопросы по отчёту. «Почему упало по региону Юг» — поиск по данным и связанным материалам.
Приведение к единой форме. Отчёты от разных подразделений в разных форматах — привести к общей структуре.
Черновик пояснительной записки. С обязательной проверкой человеком.
Разбор: еженедельный отчёт по продажам
Задача. Отчёт готовил руководитель отдела: выгрузка из CRM, сведение в таблицу, сверка с бухгалтерией, комментарии по отклонениям. Около 5 часов каждый понедельник.
Что сделали — по этапам, в порядке отдачи.
Этап 1: сборка. Запросы к CRM и учётной системе, расчёт показателей, формирование таблицы. ИИ не участвует.
Это заняло меньше всего времени и дало больше всего эффекта: 5 часов сократились примерно до полутора. Дальше можно было остановиться, и проект уже окупился бы.
Этап 2: сверка. Автоматическое сравнение данных CRM и бухгалтерии с подсветкой расхождений. Тоже без модели — обычное сопоставление.
Побочный результат оказался ценнее самой автоматизации: выяснилось, что расхождения были всегда, просто при ручной сверке глаз замыливался. Первый же автоматический прогон нашёл систематическое расхождение по одному направлению, которое накапливалось месяцами.
Этап 3: разбор отклонений. Правила находят показатели за пределами допустимого коридора. Модель получает эти показатели вместе с данными за предыдущие периоды и формулирует, что изменилось.
Этап 4: качественная часть. Модель сводит комментарии менеджеров к проигранным сделкам — около 40 текстов в неделю — в несколько повторяющихся причин с указанием, сколько сделок к каждой относится.
Вот эта часть оказалась неожиданно полезной. Раньше комментарии никто не читал: их было слишком много и они были разрозненны. Сведённые в пять причин, они впервые стали основанием для решений.
Что не стали делать. Не дали модели считать. Все числа в отчёте берутся из запросов; модель получает их готовыми и только описывает. Проверили это отдельно: попросили модель посчитать несколько показателей и сравнили с расчётом — расхождения были, редкие и незаметные на глаз.
Итог. Понедельничные 5 часов сократились примерно до 40 минут, из которых основное — чтение и правка комментариев.
Что стоит забрать. Основной эффект дал первый этап, где ИИ не было. Модель добавила то, чего раньше не было вовсе — разбор качественных данных, — но не она сэкономила время.
Обязательные проверки
Отчёт читают и принимают по нему решения, поэтому проверки строже, чем в других видах автоматизации.
Числа не проходят через модель. Ни в каком виде. Если модель упоминает число в тексте — оно подставляется кодом из расчёта, а не пишется моделью.
Сверка с источником. Итоги отчёта сравниваются с контрольными значениями из системы-источника. Расхождение — отчёт не отправляется.
Проверка полноты данных. Если один из источников не отдал данные, отчёт не должен выходить с молчаливо заниженными цифрами. Лучше не выйти вовсе, чем выйти неверным.
Пометка сгенерированного текста. Читатель должен понимать, где расчёт, а где формулировка модели.
Человек перед рассылкой — для отчётов, уходящих наружу или руководству. Разбор устройства проверки — «Человек в контуре проверки».
Расчёт окупаемости
Отчётность считается проще прочей автоматизации: объём известен точно.
Условный пример: недельный отчёт, 5 часов, полная стоимость часа 1 500 ₽.
| Величина | Значение |
|---|---|
| Часов в месяц | ~21,5 |
| Стоимость | ~32 000 ₽/мес |
| После автоматизации | ~3 часа/мес |
| Экономия | ~28 000 ₽/мес |
| Разработка сборки и сверки | 150 000 ₽ |
| Добавление разбора моделью | 90 000 ₽ |
| Эксплуатация | ~4 000 ₽/мес |
Сборка окупается примерно за 6 месяцев. Добавление модели само по себе экономии почти не даёт — оно даёт новое качество: разбор комментариев и отклонений, которого раньше не было.
Это важно назвать честно: вторая часть проекта окупается не экономией времени, а тем, что появляется информация, которой не было. Если такая информация вам не нужна, ограничьтесь первым этапом.
И оговорка, общая для всех расчётов такого рода: сэкономленные часы превращаются в деньги, только если известно, во что они перейдут — «Как измерить эффект от внедрения ИИ».
Частые вопросы
Может ли ИИ считать показатели для отчёта?
Может, но не должен. Модель ошибается в вычислениях редко и молча: неверное число выглядит так же убедительно, как верное, и попадает в отчёт. Цифры считает база данных запросами, а модель получает их готовыми и только формулирует комментарий.
Что в отчётности действительно стоит поручить модели?
Работу с текстом: комментарий к готовым цифрам, объяснение отклонений в контексте предыдущих периодов, сведение качественных данных вроде комментариев менеджеров к сделкам. Последнее часто оказывается самым ценным — эти тексты обычно никто не читает из-за объёма.
С чего начинать автоматизацию отчётности?
Со сборки данных: запросы к источникам, расчёт, формирование файла, рассылка по расписанию. Это даёт основную часть экономии времени и не требует ИИ вовсе. Модель добавляется вторым этапом, поверх готовых чисел.
Как убедиться, что отчёт верный?
Сверкой итогов с контрольными значениями из системы-источника и проверкой полноты данных: если один источник не ответил, отчёт не должен выходить с молчаливо заниженными цифрами. Лучше пропустить выпуск, чем выпустить неверный.
Нужно ли показывать, что текст написан моделью?
Да. Читатель должен различать, где расчётные данные, а где формулировка. Это не формальность: комментарий модели — интерпретация, и к нему стоит относиться иначе, чем к цифре из учётной системы.
Окупится ли автоматизация одного еженедельного отчёта?
Считается прямо: часы на подготовку, умноженные на полную стоимость часа, против стоимости разработки. Обычно окупается сборка данных, а добавление модели даёт не экономию, а новое качество разбора. Если такой разбор вам не нужен, вторую часть можно не делать.
Что дальше
Проверьте, не решается ли задача без модели — «Когда хватит скрипта вместо ИИ». Как заставить модель возвращать данные в строгой форме — «Структурированный вывод модели». Что должно происходить при сбое источника — «Обработка ошибок в ИИ-автоматизации».
Проектирование конвейеров отчётности с разделением расчёта и формулирования — часть работы по автоматизации процессов.