Как AI меняет профессию продуктового аналитика: разбор с Владимиром Абазовым из Т-Банка

Шоу «Просто искать работу сложно» от NEWHR | Hello New Job!

Об участниках

Владимир Абазов — директор по росту, монетизации и аналитике в шоппинге и кастомерных сервисах Т-Банка. Отвечает за аналитику, маркетинг и монетизацию порядка 10 экосистемных сервисов (путешествия, шоппинг, доставка еды, реклама и др.). В профессии аналитика с 2017 года, в Т-Банке — с 25 лет. Преподаёт на MBA. Linkedin.

Кира Кузьменко — основатель рекрутингового агентства NEWHR и курса HelloNewJob! Более 20 лет в рекрутинге. Linkedin.

Оксана Прутьянова — руководитель направления поиска аналитиков и Data Science в NEWHR. со-автор исследования рынка труда аналитиков. Linkedin.

Профессия продуктового аналитика переживает тектонический сдвиг. AI-инструменты уже сейчас автоматизируют рутину — от сборки сегментов до расчётов AB-тестов, — и вопрос «заменит ли AI аналитика» звучит на каждой конференции. Но что за этим стоит на практике? Как именно меняется ежедневная работа, что нужно учить, и стоит ли джунам паниковать?

Что уже изменилось в работе аналитика

AI для команды Абазова — это не какое-то абстрактное будущее, а уже повседневный инструментарий. Вот что уже работает в Т-Банке:

Text-to-Segments. Инструмент, созданный самой командой (причём идея принадлежит джунам). Маркетолог или продакт заходит в интерфейс, пишет на человеческом языке: «мне нужны люди, которые зарабатывают от 100 тысяч из Москвы, у которых есть кредитная карта» — и сегмент автоматически подгружается в систему рассылок. Раньше для этого аналитик вручную собирал SQL-запрос.

Text2SQL. Глобальный бенчмарк — 87–90% accuracy, на российском рынке у крупных игроков — от 80 до 90%. Т-Банк, по словам Абазова, «в лидерах» и активно развивает инструмент. Пока он лучше всего работает на одной таблице с понятной структурой; на десятках схем по 50 таблиц LLM-ки «теряются».

Факторный анализ с LLM. Бот автоматически раскладывает корневую метрику на три уровня, находит взаимосвязи и собирает еженедельное бизнес-ревью: что выросло, что упало, на что декомпозируется. Абазов признаётся: инструмент появился, потому что аналитики устали от его регулярных запросов на факторный анализ.

«Я чуваков задолбал. А они не хотят, чтобы я их задалбливал — они сделали из этого инструмент. Ну, тоже клёво.»

Ключевой вывод: AI уже забирает рутину — сегментацию, базовые ad-hoc запросы, таргетирование кампаний. Аналитики, которые «вчера страдали» на сборке сегментов, сегодня переключаются на исследовательские задачи.

Аналитика — это скилл или профессия?

Этот вопрос — предмет одной из главных дискуссий в индустрии. Абазов занимает чёткую позицию: и то, и другое, но в зависимости от контекста.

В стартапе на 10–20 человек аналитика часто остаётся скиллом. Если бизнес не data-heavy (не рекламная платформа, не ML-based продукт), то продакт-менеджер или CTO могут закрыть аналитическую функцию сами — тем более с помощью AI-ассистентов. На ранних стадиях аналитик как отдельная единица просто не нужен.

Но в крупных компаниях аналитика — это полноценная профессия, и вот почему: аналитик выступает «судьёй» и «прокурором». Он проверяет AB-тесты, распределяет инвестиции и — критически важно — может сказать «стоп, сюда инвестировать не надо».

«Продакт менежер, как родитель фичи, не может сказать: «чуваки, я создал говно, в него инвестировать не надо». Достаточно сложно представить, что так кто-то будет оценивать свою работу . Поэтому нужна роль аналитика.»

Независимость аналитика от владения продуктом — основа объективных решений. Без неё распределение ресурсов превращается в политику, а не в data-driven процесс.

AI — партнёр или конкурент аналитика?

Ответ зависит от типа бизнеса:

Data-heavy стартапы (рекламные платформы, real-time аналитика) — аналитика остаётся ядром продукта, AI здесь партнёр и ускоритель.

«Обычные» продуктовые стартапы — AI может заменить базовые аналитические задачи. Здесь аналитика скорее скилл продакт-менеджера, вооружённого AI-ассистентом.

Крупные компании — AI выступает как ускоритель и «политический энейблер». Он освобождает аналитика от рутины (до 50% задач, по оценке Абазова), и высвободившееся время уходит на генезис — генерацию бизнес-предложений, питчинг идей, влияние на стратегию.

«AI — это помощник и усилитель, ускоритель и даже где-то политический энейблер аналитика.»

Абазов проводит параллель с специалистами из консалтинга: у McKinsey две суперсилы — анализ и генезис. Анализ аналитики делают лучше консультантов, но генезис (создание предложений и их «продажа» бизнесу) аналитики раньше не практиковали — не хватало времени. Теперь AI даёт это время.

Правда ли, что без рутины аналитик теряет контекст?

Когда аналитика освобождают от рутины, может ли он потерять «чувство данных»? Ведь именно регулярная работа с данными даёт контекст и понимание бизнеса изнутри.

Абазов считает опасение справедливым, но решаемым:

«Если аналитика освобождает эту рутину, начнёт ли он заниматься стратегией? Сама по себе, магически, конечно ничего не будет работать.»

Это задача руководителя — целенаправленно перестроить роль аналитика в сторону стратегии. В команде Абазова для этого создан Discovery-проект: аналитики участвуют в генерации идей, во всех встречах по приоритизации задач, рассчитывают потенциальный импакт — и имеют право вето.

«Если аналитик говорит: «чуваки, вы что, готовы потратить год разработки на фичу, которая принесёт 200 тысяч рублей? А год разработки стоит 10 миллионов — вы с ума сошли?» — при таком подходе мы позволяем аналитику право вето или эскалации.»

Поверх Discovery-проекта поставлена финансовая цель: 2 миллиарда рублей бизнес-импакта от аналитиков за год. Цель декомпозируется на хедов (примерно 500 млн на каждого) и далее на аналитиков. Каждый аналитик должен найти бизнес-идею, провести исследование, довести до AB-теста и измерить результат в деньгах.

Результаты за три года: цель выполняется на 90–95%. Команды с проактивными аналитиками демонстрируют кратно более высокий ROI: по внутренним исследованиям, разница в ROI между командами с проактивным и пассивным аналитиком — драматическая (Абазов привёл пример: 200% против 10%, оговорившись, что цифры утрированы, но тренд устойчив).

Зачем аналитик, если менеджер может сам спросить AI?

Text-to-SQL снимает базовые ad-hoc вопросы: «сколько беременных женщин в 2024 году заказали коляски?» — такую задачу AI должен решать. Но Абазов подчёркивает: CEO на самом деле хочет не ответы, а стратегию.

«CEO хочет знать не «сколько чего-то где-то», а «что делать, на какие кнопки нажать, кому пендель отдать, чтобы бизнес в 10 раз вырос».»

Ключевая ценность аналитика — умение задавать правильные вопросы, прослеживать причинно-следственные цепочки и предлагать actionable-решения. LLM-кам пока критически не хватает контекста для стратегических рекомендаций. Человеческий мозг лучше удерживает широту контекста, строит неочевидные взаимосвязи и — что немаловажно — несёт ответственность за решения.

«LLM-ку нельзя уволить, нельзя наказать, нельзя поощрить. Она не прочувствует той горечи утраты, которую прочувствует человек в случае неправильного решения.»

Что учить: SQL ещё нужен или уже нет?

Абазов категоричен: SQL умрёт нескоро. Даже если через четыре года Text2SQL станет стандартом, знание SQL — это понимание устройства баз данных, структуры хранения, логики джойнов. Это фундамент, как математика.

Базовый набор (который не изменился за последние два года): SQL, математика, статистика, наука о данных, базовый ML, устройство баз данных.

Новый слой (что добавить прямо сейчас): понимание текущих AI-инструментов — Claude, ChatGPT, OpenClaw, N8N. Умение создать личного ассистента, знание, какие задачи эти инструменты могут решать. И критически — следить за обновлениями.

«Всё, что месяца два-три назад было невозможно, сейчас уже возможно. За этим нужно каким-то образом успевать следить.»

Самое важное — Business Acumen (бизнес чутьё). Если вы хотите быть маркетинговым аналитиком — разбирайтесь в маркетинге лучше маркетолога. Общий бизнес-контекст — как работает компания, экономика продукта, механика рынка — это «самый отстающий скилл у большинства аналитиков», по мнению Абазова.

Джуны — они вообще нужны?

Однозначно да. Абазов не просто декларирует — его команда наняла порядка 40 стажёров за прошлый год. Т-Банк, Яндекс, Авито — все крупные игроки активно инвестируют в джунов.

«У нас половина топ-менеджмента банка — это бывшие джуны, которые пришли сюда много лет назад на первые этапы карьеры и уже выросли до топ-менеджеров.»

Почему джуны ценны? Энергия, свежий взгляд, незамыленность, креативность. Инструмент Text-to-Segments придумали и развивают именно джуны — и сделали это иначе, чем планировал бы сеньор.

«Я топил за то, чтобы мы полностью инвестировали всё время в Text2SQL, наши джуны тестировали разные форматы и выбрали Text-to-Segments, и придумали, как его использовать. Лично я бы решил иначе, но сейчас я счастлив, что они сделали по своему.»

Для средних и малых компаний Абазов советует нанимать джунов, если есть хотя бы один сильный сеньор или техлид, под которого можно растить новичков. Он даже предпочитает пару джунов одному «сверхсильному» сеньору: «Я их лучше доращу сам до сеньоров».

Как меняются грейды и специализации в аналитике

Смещения грейдов в команде Абазова пока не произошло. Но профессия уже начинает расслаиваться:

Дата-инженерия растёт: появляются роли Analytics Data Engineer, Data Feature Engineer. Раньше аналитик и данные настраивал, и BI делал, и Яндекс.Метрику подключал — теперь инженерная часть выпочковывается в отдельные профессии.

BI как отдельная функция: в Т-Банке BI-команда — это отдельное подразделение, которое отвечает за быстрый доступ к данным для бизнес-стейкхолдеров, встраивает LLM в дашборды, помогает интерпретировать данные.

Аналитик → бизнес-консультант: часть аналитиков трансформируется в стратегических советников. Часть уйдёт в дата-инженерию, часть — в продуктовые, маркетинговые и бизнес-лидерские роли, раскрывая бизнесовый потенциал «не за 10 лет, а за 5».

«Аналитика будет скорее трансформироваться в такого бизнес-консалтера. Или в фуллстек-аналитика, который отвечает за весь бизнес.»

Парадокс найма: не используй AI на собеседовании, но используй на работе

Распространённый парадокс: компании хотят, чтобы кандидат думал самостоятельно (и проходил тестовые задания без использования AI), но при этом требуют навыков работы с AI на рабочем месте. Абазов не видит в этом противоречия:

«Зачем мне брать на работу человека, который не может ответить на вопрос, чем отличается колоночная от строчных баз данных, если он сразу полезет в LLM? Значит, я его могу заменить LLM.»

Базовые знания нужны — это не обсуждаются. Если кандидат не понимает фундаментальных принципов, никакой AI-инструмент это не компенсирует. Но поверх базы — обязательно проверяется умение усиливать себя с помощью AI. В Т-Банке (как и в Яндексе, Сбере) прямо сейчас ставится общая корпоративная задача: 10% оптимизации рабочих процессов с помощью AI.

Абазов подчёркивает: умение учиться — «всё ещё, наверное, самый ключевой скилл». А собеседование — это проверка именно способности думать, а не гуглить.

Прогноз: к 2029 году аналитиков будет больше или меньше?

Абазов выделяет два конкурирующих фактора:

Фактор автоматизации: если количество компаний не меняется или растёт с той же скоростью — аналитиков станет скорее меньше.

Фактор экономического роста: AI демократизирует создание бизнеса. Доступ к разработке удешевляется, барьер входа снижается. Если появится больше компаний — спрос на аналитиков может вырасти.

Но профессия точно разделится надвое:

«Те, кто хочет стараться и любит профессию, — на таких всегда будет спрос. Я не вижу перспективы, в которой мне не нужны будут талантливые люди. А остальных, кто приходит просто сделать задачку с девяти до шести, — их, скорее всего, автоматизируют.»

Один навык, который нужно качать аналитику в 2026 году

Last Mile / Genesis — умение превратить исследование в actionable-бизнес-идею и продать эту идею.

«Никому не интересно читать 10 страниц твоего исследования. В самом начале пишешь call to action, почему и сколько денег эта компания принесёт. Всё. Это нужно CEO, бизнес-заказчику.»

Абазов называл этот навык Last Mile на конференциях четыре года назад. Сейчас предпочитает термин «генезис» — подсказали друзья из консалтинга. Суть одна: из гигантского массива вычислений важны три строчки в начале — главный вывод и призыв к действию.

Совет тем, кто боится, что их заменят ИИ: «Мир на твоей стороне»

«Не бойся. Мир на твоей стороне. Ты можешь бояться — мир от этого не изменится. Ты можешь закрыться в комнате — мир продолжит жить без тебя. А можешь придумать, как им пользоваться.»

Можно взять простую метафору: если идёт дождь — открой зонт и иди по своим делам. Если дождь — это LLM, пойди изучи, как это работает. При этом, у джунов есть огромное преимущество: время и энергия.

«Стань лучше, чем все твои одногруппники, стань лучше, чем все твои ровесники. Мир точно без тебя не обойдётся.»

На вопрос «если бы начинал с нуля, пошёл бы в аналитику?» Абазов без колебаний отвечает: «10 из 10, 100%. Обожаю аналитику. Очень крутая профессия, всем советую».

Часто задаваемые вопросы

Заменит ли AI продуктового аналитика?

Не целиком, но разделит профессию надвое. Рутинная часть (сборка сегментов, базовые SQL-запросы, расчёт AB-тестов) уже автоматизируется. Стратегическая часть — поиск точек роста, управление инвестициями, генерация бизнес-идей — наоборот, становится ценнее. По словам Абазова, спрос на аналитиков, которые умеют думать стратегически, не снижается — их по-прежнему в дефиците.

Нужно ли аналитику учить SQL в 2026 году?

Да. Абазов категоричен: вероятность того, что SQL станет не нужен в ближайшие четыре года, крайне низкая. Даже когда Text-to-SQL станет стандартом, знание SQL — это понимание устройства баз данных, структуры хранения и логики джойнов. Это фундамент, без которого невозможно проверить, правильно ли AI сформировал запрос.

Какие AI-инструменты уже используют аналитики в крупных компаниях?

В Т-Банке работают Text-to-Segments (сборка сегментов на естественном языке), Text-to-SQL (ответы на аналитические вопросы), факторный анализ с LLM (автоматический разбор причин роста и падения метрик). Из общедоступных инструментов Абазов рекомендует знать Claude, ChatGPT, OpenClaw и N8N — и уметь создавать на их основе личных ассистентов.

Нужны ли компаниям джуны-аналитики в эпоху AI?

Да, и это подтверждается цифрами: только команда Абазова наняла порядка 40 стажёров за прошлый год. Т-Банк, Яндекс, Авито — все крупные игроки активно инвестируют в джунов. Абазов ценит в них энергию, свежий взгляд и креативность — именно джуны придумали один из ключевых AI-инструментов его команды (Text-to-Segments).

Что важнее для аналитика — технические навыки или понимание бизнеса?

И то, и другое, но бизнес-мышление — «самый отстающий скилл у большинства аналитиков». Техническая база (SQL, статистика, Python) по-прежнему проверяется на собеседованиях. Но поверх неё всё больше ценится Business Acumen — способность понимать экономику продукта, видеть точки роста и переводить данные в конкретные бизнес-рекомендации.

Какой один навык аналитику стоит прокачать прямо сейчас?

Last Mile, или генезис — умение превратить исследование в конкретную бизнес-идею и «продать» её руководству. По словам Абазова, никому не интересно читать 10 страниц исследования. Ценность — в трёх строчках в начале: главный вывод и call to action с оценкой в деньгах.

Аналитик в стартапе и в корпорации — это одна и та же профессия?

Нет. В стартапе на 10–20 человек аналитика — часто скилл, который может закрыть продакт-менеджер или CTO с помощью AI-ассистентов. В крупной компании аналитик — отдельная профессия с ролью независимого эксперта, который проверяет гипотезы, распределяет инвестиции и имеет право вето на неэффективные задачи.

Как Text2SQL меняет работу аналитика?

Text2SQL автоматизирует базовые ad-hoc запросы — те, ради которых раньше бизнес ждал ответа аналитика часами или днями. Глобальная точность — 87–90%, на российском рынке — 80–90%. Это освобождает аналитика от рутины, но создаёт новую задачу: проверять корректность ответов AI (каждый десятый может быть ошибочным) и писать golden-set для оценки качества инструмента.

Как изменятся собеседования для аналитиков?

Техническая проверка (SQL, статистика, математика) никуда не уходит — без фундамента AI-инструменты бесполезны. Но добавляется новый слой: проверка бизнес-мышления (кейсы, графики, ситуационные вопросы «к тебе приходит CEO и говорит — сделай вот это, твои действия?») и проверка навыков работы с AI. В Т-Банке, Яндексе и Сбере уже ставится корпоративная задача: 10% оптимизации рабочих процессов с помощью AI.

Стоит ли идти в аналитику в 2026 году?

Абазов отвечает без колебаний: «10 из 10, 100%. Обожаю аналитику. Очень крутая профессия, всем советую.» Ключевое условие — не застревать в рутине, а развиваться в сторону стратегии, бизнес-мышления и умения работать с AI. Профессия не умирает — она трансформируется, и те, кто трансформируется вместе с ней, будут востребованы.