Почему ИИ-проекты буксуют — и дело не в ИИ
Привет, друзья ☕️
На совещании решают: «Процесс пора автоматизировать, берём нейросеть. Звучит современно!» Дают серверы, нанимают айтишников, проходит полгода. А воз и ныне там: нейронка прогнозирует хуже андеррайтеров, счета разбирает с ошибками.
Вывод компании — «ИИ хайп, толку ноль».
На самом деле — ИИ взяли туда, где он не нужен.
Вот мысль, которая экономит бюджеты: про ИИ стоит думать третьим вопросом, а не первым. Прежде чем спрашивать «какую нейронку взять», полезно ответить на два других.
Первый: нужно ли автоматизировать этот процесс вообще — он частый, рутинный, есть ли экономический смысл.
Второй: если да, хватит ли инструмента попроще.
Потому что у автоматизации есть лестница, от простого к сложному:
▫️правила и формулы (автоматические расчёты вместо ручного Excel)
▫️RPA — робот, что ходит между системами по чётким правилам
▫️классический ML — прогноз по готовому набору параметров
▫️и только наверху нейросеть — для неструктурированного текста и сложных закономерностей.
Но наше когнитивное искажение в том, что в быту ИИ кажется бесплатным — мы привыкли к Алисе и ChatGPT. И есть желание пристроить его везде, где нам сложно.
А в корпоративном контуре это самый дорогой инструмент из всех: хранение, вычислительные мощности, разметка данных.
Брать нейронку для задачи, которую решает формула, — всё равно что нанимать экскаватор, чтобы сделать куличик из песка.
И ещё одно на подумать: нельзя автоматизировать хаос. Если один сотрудник ведёт процесс так, а другой иначе — свой макрос, свои отчёты — сначала процесс приводят к единому стандарту, и только потом автоматизируют. Иначе автоматизируешь беспорядок и получишь быстрый беспорядок.
В новом видео разобрала всю лестницу по шагам: где правило, где робот, где ML, а где правда нужна нейросеть — на примере страховой.
ВК: https://vk.com/wall-238221011_6
YouTube: https://youtu.be/IBLs4Hl_-p4
Data Driven Management
Привет, друзья ☕️
На совещании решают: «Процесс пора автоматизировать, берём нейросеть. Звучит современно!» Дают серверы, нанимают айтишников, проходит полгода. А воз и ныне там: нейронка прогнозирует хуже андеррайтеров, счета разбирает с ошибками.
Вывод компании — «ИИ хайп, толку ноль».
На самом деле — ИИ взяли туда, где он не нужен.
Вот мысль, которая экономит бюджеты: про ИИ стоит думать третьим вопросом, а не первым. Прежде чем спрашивать «какую нейронку взять», полезно ответить на два других.
Первый: нужно ли автоматизировать этот процесс вообще — он частый, рутинный, есть ли экономический смысл.
Второй: если да, хватит ли инструмента попроще.
Потому что у автоматизации есть лестница, от простого к сложному:
▫️правила и формулы (автоматические расчёты вместо ручного Excel)
▫️RPA — робот, что ходит между системами по чётким правилам
▫️классический ML — прогноз по готовому набору параметров
▫️и только наверху нейросеть — для неструктурированного текста и сложных закономерностей.
Но наше когнитивное искажение в том, что в быту ИИ кажется бесплатным — мы привыкли к Алисе и ChatGPT. И есть желание пристроить его везде, где нам сложно.
А в корпоративном контуре это самый дорогой инструмент из всех: хранение, вычислительные мощности, разметка данных.
Брать нейронку для задачи, которую решает формула, — всё равно что нанимать экскаватор, чтобы сделать куличик из песка.
И ещё одно на подумать: нельзя автоматизировать хаос. Если один сотрудник ведёт процесс так, а другой иначе — свой макрос, свои отчёты — сначала процесс приводят к единому стандарту, и только потом автоматизируют. Иначе автоматизируешь беспорядок и получишь быстрый беспорядок.
В новом видео разобрала всю лестницу по шагам: где правило, где робот, где ML, а где правда нужна нейросеть — на примере страховой.
ВК: https://vk.com/wall-238221011_6
YouTube: https://youtu.be/IBLs4Hl_-p4
Data Driven Management
YouTube
ИИ, RPA или Excel: как выбрать инструмент автоматизации процессов
Большинство компаний, решив «давайте внедрим нейросеть», через полгода получают потраченный бюджет и процесс, который надо менять. Разбираю, почему так выходит и как выбрать инструмент автоматизации по задаче, а не по моде: когда хватит правил и формул, когда…
❤4
Forwarded from Mamalytic
✨ ПЯТНИЧНАЯ ЗАДАЧКА: ВОЛК, КОЗА И КАПУСТА
Привет, друзья☕️
Когда говорят «математика», в голове сразу всплывают столбики, примеры, вычисления. А ведь математика — это огромный мир логики: задачи про мудрецов и колпаки, про переправы, про взвешивания, про острова рыцарей и лжецов. Целая вселенная красивого и неочевидного, где считать почти не надо — надо думать.
Это одна из первых папиных задачек в моем детстве. И я была уверена, что её знают вообще все — настолько она въелась в память. А потом оказалось: многие слышат её впервые. Поэтому решаем.
Условие
Крестьянину нужно переправить через реку волка, козу и капусту.
Лодка маленькая: помещается только сам крестьянин и что-то одно — либо волк, либо коза, либо капуста.
Загвоздка вот в чём:
▫️ если оставить волка с козой без присмотра — волк съест козу
▫️ если оставить козу с капустой — коза съест капусту
Волк капусту не трогает (он на диете 😉).
Вопрос: как крестьянину перевезти всех троих на другой берег целыми и невредимыми?
Ставьте лайк, если знаете эту задачку. Или пишите решение в комментариях.
Решать можно с детьми от 6-7 лет 👌.
Ваша Мамалитик
Привет, друзья☕️
Когда говорят «математика», в голове сразу всплывают столбики, примеры, вычисления. А ведь математика — это огромный мир логики: задачи про мудрецов и колпаки, про переправы, про взвешивания, про острова рыцарей и лжецов. Целая вселенная красивого и неочевидного, где считать почти не надо — надо думать.
Это одна из первых папиных задачек в моем детстве. И я была уверена, что её знают вообще все — настолько она въелась в память. А потом оказалось: многие слышат её впервые. Поэтому решаем.
Условие
Крестьянину нужно переправить через реку волка, козу и капусту.
Лодка маленькая: помещается только сам крестьянин и что-то одно — либо волк, либо коза, либо капуста.
Загвоздка вот в чём:
▫️ если оставить волка с козой без присмотра — волк съест козу
▫️ если оставить козу с капустой — коза съест капусту
Волк капусту не трогает (он на диете 😉).
Вопрос: как крестьянину перевезти всех троих на другой берег целыми и невредимыми?
Ставьте лайк, если знаете эту задачку. Или пишите решение в комментариях.
Решать можно с детьми от 6-7 лет 👌.
Ваша Мамалитик
👍4❤3
🙃 Парадокс Симпсона — когда цифра в каждом сегменте говорит одно, а в сумме разворачивается на противоположное.
Привет, друзья ☕️
На дэшборде всё прозрачно: онлайн-канал закрывает 65% лидов, агентская сеть — 35%. Вдвое хуже. На встрече кто-то уже формулирует логичное: сворачиваем агентов, деньги в онлайн.
Возьмём те же два канала и разложим лиды. У каждого была тысяча обращений, но разного качества.
Онлайн ловит в основном тёплых — человек сам оставил заявку.
Агентам достаётся холодное — обзвон.
Скажем, у онлайна из тысячи 900 тёплых лидов, у агентов наоборот — 900 холодных. Цифры условные, важны пропорции.
Теперь конверсия по сегментам.
Тёплые лиды: агенты закрывают 80%, онлайн — 70%. Холодные: агенты — 30%, онлайн — 20%.
И там, и там агенты сильнее: на каждом типе лида они работают лучше.
А в общем зачёте проигрывают вдвое — им просто свалили гору холодных, которые плохо закрываются у кого угодно.
Решение «резать агентов», принятое по верхней строке, отправит в утиль ваших лучших закрывателей и переведёт сложные лиды на канал, который справляется с ними ещё хуже. Каждая клетка таблицы при этом посчитана правильно, арифметика безупречна.
Это парадокс Симпсона: соотношение, устойчивое внутри каждой группы, искажается, когда разные (!) группы ссыпают в один котёл. Смотрите картинку.
Самый известный разбор этого фокуса — Беркли, 1973 год. Университет чуть не засудили за дискриминацию: общий процент зачисления у женщин вышел заметно ниже мужского, 35% против 44%. А когда статистики (Бикель и коллеги, Science, 1975) разложили приём по факультетам, выяснилось, что на большинстве из них женщин брали наравне с мужчинами или даже чаще. Просто женщины массово подавались на направления с высоким отсевом, а мужчины — на те, где конкурс поменьше.
💡Видите агрегированный процент, по которому собираются рубить с плеча, — проверьте: составы сравниваемых групп вообще сопоставимы? Если в группах разный микс (сегменты, сложность, регион) — общая цифра запросто скажет обратное тому, что творится внутри.
Дробить до бесконечности тоже вредно: нарежете на мелкие группы — поймаете случайный шум вместо сигнала. Вопрос, на который стоит ответить: точно ли составы разные? Если за разницей стоит осмысленная причина (онлайну достаётся тёплое, агентам холодное, разный половозрастной состав внутри сегментов и тп) — имеет смысл смотреть внутрь. Если причина высосана из пальца — разумнее довериться общей картине.
Какой цифре верить, подсказывает понимание, почему данные распределились именно так.
Математика — это вообще всегда инструмент, выбор — за смыслом.
Data Driven Management
Привет, друзья ☕️
На дэшборде всё прозрачно: онлайн-канал закрывает 65% лидов, агентская сеть — 35%. Вдвое хуже. На встрече кто-то уже формулирует логичное: сворачиваем агентов, деньги в онлайн.
Возьмём те же два канала и разложим лиды. У каждого была тысяча обращений, но разного качества.
Онлайн ловит в основном тёплых — человек сам оставил заявку.
Агентам достаётся холодное — обзвон.
Скажем, у онлайна из тысячи 900 тёплых лидов, у агентов наоборот — 900 холодных. Цифры условные, важны пропорции.
Теперь конверсия по сегментам.
Тёплые лиды: агенты закрывают 80%, онлайн — 70%. Холодные: агенты — 30%, онлайн — 20%.
И там, и там агенты сильнее: на каждом типе лида они работают лучше.
А в общем зачёте проигрывают вдвое — им просто свалили гору холодных, которые плохо закрываются у кого угодно.
Решение «резать агентов», принятое по верхней строке, отправит в утиль ваших лучших закрывателей и переведёт сложные лиды на канал, который справляется с ними ещё хуже. Каждая клетка таблицы при этом посчитана правильно, арифметика безупречна.
Это парадокс Симпсона: соотношение, устойчивое внутри каждой группы, искажается, когда разные (!) группы ссыпают в один котёл. Смотрите картинку.
Самый известный разбор этого фокуса — Беркли, 1973 год. Университет чуть не засудили за дискриминацию: общий процент зачисления у женщин вышел заметно ниже мужского, 35% против 44%. А когда статистики (Бикель и коллеги, Science, 1975) разложили приём по факультетам, выяснилось, что на большинстве из них женщин брали наравне с мужчинами или даже чаще. Просто женщины массово подавались на направления с высоким отсевом, а мужчины — на те, где конкурс поменьше.
💡Видите агрегированный процент, по которому собираются рубить с плеча, — проверьте: составы сравниваемых групп вообще сопоставимы? Если в группах разный микс (сегменты, сложность, регион) — общая цифра запросто скажет обратное тому, что творится внутри.
Дробить до бесконечности тоже вредно: нарежете на мелкие группы — поймаете случайный шум вместо сигнала. Вопрос, на который стоит ответить: точно ли составы разные? Если за разницей стоит осмысленная причина (онлайну достаётся тёплое, агентам холодное, разный половозрастной состав внутри сегментов и тп) — имеет смысл смотреть внутрь. Если причина высосана из пальца — разумнее довериться общей картине.
Какой цифре верить, подсказывает понимание, почему данные распределились именно так.
Математика — это вообще всегда инструмент, выбор — за смыслом.
Data Driven Management
❤2
📢 Инсайты с конференции про то, каким будет страховой рынок к 2035 году
Привет, друзья ☕️
Будущее там рисовали смелое. ИИ-агент клиента и ИИ-агент страховщика договариваются между собой по заданным критериям и выдают готовый полис — живые агенты в этой картине просто не нужны, за них всё решают две нейросети. Выплаты за секунды. Клиентский путь бесшовный.
Я выступала с темой поспокойнее: почему за два года ИИ не взлетел в страховании так, как ему пророчили.
А пророчили много. И там, где задача лёгкая, всё правда случилось: лендинги, MVP, проверка гипотез, кодинг — теперь делается в разы быстрее.
Показательно, что почти все презентации самой конференции были собраны с помощью ИИ. Он уже не гость в отрасли, он в ней живёт.
Но ядро страхования устояло. Андеррайтинг, урегулирование убытков — это по-прежнему ручная операционная работа и живые решения. Взять ChatGPT и одним движением заменить оператора не выходит, и причин несколько: грязные данные, нестандартизированные процессы, высокая цена ошибки.
Автоматизация тут возможна, но дорогая, штучная и требует чистки того, что под капотом. Никакого «подключил готовую модель за вечер». ТОП компании рапортовали о «внедренных пилотах». Но про то, что кто-то на этих пилотах сократил 50% (ладно, хотя бы 20%) сотрудников пока тишина.
А теперь наблюдение, ради которого стоило туда съездить.
Пока одна рука отрасли ускоряет выплаты до секунд, другая уже столкнулась с обратной стороной тех же технологий. В автостраховании начали фиксировать ИИ-фрод: злоумышленники генерируют целый комплект документов о ДТП, которого не было, — вместе с фотографиями «повреждений».
И чем быстрее и бесшовнее выплата, тем меньше времени поймать подделку. Упрощение и мошенничество разгоняются вместе.
Получается, системы поддержки решений при урегулировании теперь придётся учить двум вещам сразу: быстро платить по настоящим случаям и распознавать сгенерированный ИИ фейковый комплект. Одно без другого превращается либо в тормоз, либо в дыру в кармане.
P.S. Был и доклад про то, как через сто лет мы будем страховать выбор оболочки для человека и качество вживлённых чипов. Тут я мысленно попросила вернуть меня к грязным данным — с ними хотя бы понятно, что делать. 🙃
Привет, друзья ☕️
Будущее там рисовали смелое. ИИ-агент клиента и ИИ-агент страховщика договариваются между собой по заданным критериям и выдают готовый полис — живые агенты в этой картине просто не нужны, за них всё решают две нейросети. Выплаты за секунды. Клиентский путь бесшовный.
Я выступала с темой поспокойнее: почему за два года ИИ не взлетел в страховании так, как ему пророчили.
А пророчили много. И там, где задача лёгкая, всё правда случилось: лендинги, MVP, проверка гипотез, кодинг — теперь делается в разы быстрее.
Показательно, что почти все презентации самой конференции были собраны с помощью ИИ. Он уже не гость в отрасли, он в ней живёт.
Но ядро страхования устояло. Андеррайтинг, урегулирование убытков — это по-прежнему ручная операционная работа и живые решения. Взять ChatGPT и одним движением заменить оператора не выходит, и причин несколько: грязные данные, нестандартизированные процессы, высокая цена ошибки.
Автоматизация тут возможна, но дорогая, штучная и требует чистки того, что под капотом. Никакого «подключил готовую модель за вечер». ТОП компании рапортовали о «внедренных пилотах». Но про то, что кто-то на этих пилотах сократил 50% (ладно, хотя бы 20%) сотрудников пока тишина.
А теперь наблюдение, ради которого стоило туда съездить.
Пока одна рука отрасли ускоряет выплаты до секунд, другая уже столкнулась с обратной стороной тех же технологий. В автостраховании начали фиксировать ИИ-фрод: злоумышленники генерируют целый комплект документов о ДТП, которого не было, — вместе с фотографиями «повреждений».
И чем быстрее и бесшовнее выплата, тем меньше времени поймать подделку. Упрощение и мошенничество разгоняются вместе.
Получается, системы поддержки решений при урегулировании теперь придётся учить двум вещам сразу: быстро платить по настоящим случаям и распознавать сгенерированный ИИ фейковый комплект. Одно без другого превращается либо в тормоз, либо в дыру в кармане.
P.S. Был и доклад про то, как через сто лет мы будем страховать выбор оболочки для человека и качество вживлённых чипов. Тут я мысленно попросила вернуть меня к грязным данным — с ними хотя бы понятно, что делать. 🙃
❤7
☕️ Пилоты с ИИ есть почти у всех страховщиков. А до реального эффекта дошли единицы.
Вышла моя большая статья на сайте «Страхование сегодня» — про то, почему так.
Если коротко: технологии готовы, не готовы данные, процессы и организации.
Внутри разбираю три ловушки, о которых вендоры молчат на пресейле:
— почему облако упирается в службу безопасности ровно там, где экономия была бы самой большой;
— почему разметка данных съедает до половины бюджета — и её не видно, пока не упрёшься лбом;
— какие процессы автоматизировать не нужно вовсе (спойлер: чат-бот, который заклеивает плохой онбординг, — это забивание гвоздя микроскопом).
Плюс про то, почему пионеры ИИ — не самые богатые компании, а самые организованные.
🔗 Полный текст по ссылке:
https://www.insur-info.ru/analysis/1563/
P.S. Главная мысль, к которой пришла: прагматичное внедрение ИИ начинается с умения сказать «нет» собственным гениальным идеям. 🙃
Вышла моя большая статья на сайте «Страхование сегодня» — про то, почему так.
Если коротко: технологии готовы, не готовы данные, процессы и организации.
Внутри разбираю три ловушки, о которых вендоры молчат на пресейле:
— почему облако упирается в службу безопасности ровно там, где экономия была бы самой большой;
— почему разметка данных съедает до половины бюджета — и её не видно, пока не упрёшься лбом;
— какие процессы автоматизировать не нужно вовсе (спойлер: чат-бот, который заклеивает плохой онбординг, — это забивание гвоздя микроскопом).
Плюс про то, почему пионеры ИИ — не самые богатые компании, а самые организованные.
🔗 Полный текст по ссылке:
https://www.insur-info.ru/analysis/1563/
P.S. Главная мысль, к которой пришла: прагматичное внедрение ИИ начинается с умения сказать «нет» собственным гениальным идеям. 🙃
Страхование сегодня
Искусственный интеллект в страховании — от экспериментов к прагматичному внедрению | Муковозова Анна Михайловна, 6 июля 2026 г.
Страховой рынок прошёл фазу первых экспериментов с искусственным интеллектом: пилоты есть почти у всех крупных игроков, но до промышленной эксплуатации с измеримым эффектом дошли немногие. Автор разбирает — почему ИИ-проекты в страховании буксуют, и почему…
❤2👍1👏1
☕️ У меня, оказывается, две жизни. В одной я разбираю аналитику и ИИ в страховании. В другой — по вечерам собираю пет-проекты. Сегодня про вторую.
Я сделала сервис «Бытовые счета»: он собирает все семейные платежи — ЖКХ, няня, кружки, подписки — в один календарь. Загружаешь квитанцию, он сам вытаскивает получателя, сумму и дату.
Фокус в том, что я аналитик и код не пишу.
Вообще. Весь проект — живой, задеплоенный — собран через Claude Code, ИИ-ассистента для разработки. Строк кода, написанных моими руками: ноль.
Работает это так: описываешь словами «хочу сервис, который собирает семейные платежи в календаре, хочу распознавание счетов, хочу тг-бота, хочу автопривязку по набору слов, хочу, хочу…😁» — и через неделю у тебя MVP с регистрацией, импортом PDF и всем прочим.
Магия? Местами да. А местами — очень специфический квест, где ИИ по три часа ходит по кругу, торжественно объявляя «окончательную правду» уже в третий раз.
О своих приключениях написала статью на Хабр. Пять историй провалов и разбор, почему обещание «теперь каждый сможет программировать» — все еще про маркетинг.
🔗 https://habr.com/ru/articles/1057200
P.S. Самое тёплое наблюдение: Claude, когда заходит в тупик, честно пишет, что зациклился, и извиняется. Не каждый живой программист так умеет. 🙃
Я сделала сервис «Бытовые счета»: он собирает все семейные платежи — ЖКХ, няня, кружки, подписки — в один календарь. Загружаешь квитанцию, он сам вытаскивает получателя, сумму и дату.
Фокус в том, что я аналитик и код не пишу.
Вообще. Весь проект — живой, задеплоенный — собран через Claude Code, ИИ-ассистента для разработки. Строк кода, написанных моими руками: ноль.
Работает это так: описываешь словами «хочу сервис, который собирает семейные платежи в календаре, хочу распознавание счетов, хочу тг-бота, хочу автопривязку по набору слов, хочу, хочу…😁» — и через неделю у тебя MVP с регистрацией, импортом PDF и всем прочим.
Магия? Местами да. А местами — очень специфический квест, где ИИ по три часа ходит по кругу, торжественно объявляя «окончательную правду» уже в третий раз.
О своих приключениях написала статью на Хабр. Пять историй провалов и разбор, почему обещание «теперь каждый сможет программировать» — все еще про маркетинг.
🔗 https://habr.com/ru/articles/1057200
P.S. Самое тёплое наблюдение: Claude, когда заходит в тупик, честно пишет, что зациклился, и извиняется. Не каждый живой программист так умеет. 🙃
👍4❤2
Media is too big
VIEW IN TELEGRAM
Вчера на конференции Data Day помучила немного CDO Сбера Бориса Рабиновича (Старший управляющий директор - директор Департамента управления данными).
Спрашивала про единое Data Lake (общее хранилище данных всех компаний экосистемы). Тк от других представителей ранее звучало, что данные разрознены.
Так вот, ловите инсайт из ответственных уст, — оно есть. Вопрос в его доступности для дочек открыт (на сессии был представитель Самоката, который с удивлением задал вопрос «а как получить»😁).
И по комментарию Бориса Рабиновича, это не просто единый профиль клиента, а именно хранилище мультифич со всех площадок и платформ, на котором можно тестировать гипотезы сегментации, поведенческих паттернов, новых продуктов и прочие интересные штуки, а не только ситуационный маркетинг.
Интересненько…
Возможно, прорывы в персонализированных страховых продуктах не за горами 🤔 😉
Спрашивала про единое Data Lake (общее хранилище данных всех компаний экосистемы). Тк от других представителей ранее звучало, что данные разрознены.
Так вот, ловите инсайт из ответственных уст, — оно есть. Вопрос в его доступности для дочек открыт (на сессии был представитель Самоката, который с удивлением задал вопрос «а как получить»😁).
И по комментарию Бориса Рабиновича, это не просто единый профиль клиента, а именно хранилище мультифич со всех площадок и платформ, на котором можно тестировать гипотезы сегментации, поведенческих паттернов, новых продуктов и прочие интересные штуки, а не только ситуационный маркетинг.
Интересненько…
Возможно, прорывы в персонализированных страховых продуктах не за горами 🤔 😉
🔥4😭1🙉1
☕️ Льюис Кэррол актуален как никогда
Успели ли вы изучить harness — «обвязку» вокруг ИИ-модели?
Так вот, я сама только начала хоть что-то понимать, а уже подоспела новая штука — loop engineering.
Борис Черный, создатель Claude Code, обронил фразу, которая разошлась по всем профильным изданиям: «Я больше не пишу промпты. У меня работают loops — петли, которые сами промптят модель и решают, что делать дальше. Моя работа — писать петли».
По-человечески: два года все учились правильно формулировать запрос к ИИ. Теперь высший пилотаж — не запрос, а система. Ты строишь маленький автономный контур, который сам находит задачу, поручает её агенту, проверяет результат вторым агентом и решает следующий шаг. Проектируешь конвейер и наблюдаешь.
prompt engineering → context engineering → harness → loop engineering.
И не думайте, что удастся отсидеться, уже как раз пора бежать со всех ног, чтобы просто оставаться на месте.
P.S. Я не успеваю успевать. Кто-нибудь знает, что там следующее учить?🙃
Data Driven Management
Успели ли вы изучить harness — «обвязку» вокруг ИИ-модели?
Так вот, я сама только начала хоть что-то понимать, а уже подоспела новая штука — loop engineering.
Борис Черный, создатель Claude Code, обронил фразу, которая разошлась по всем профильным изданиям: «Я больше не пишу промпты. У меня работают loops — петли, которые сами промптят модель и решают, что делать дальше. Моя работа — писать петли».
По-человечески: два года все учились правильно формулировать запрос к ИИ. Теперь высший пилотаж — не запрос, а система. Ты строишь маленький автономный контур, который сам находит задачу, поручает её агенту, проверяет результат вторым агентом и решает следующий шаг. Проектируешь конвейер и наблюдаешь.
prompt engineering → context engineering → harness → loop engineering.
И не думайте, что удастся отсидеться, уже как раз пора бежать со всех ног, чтобы просто оставаться на месте.
P.S. Я не успеваю успевать. Кто-нибудь знает, что там следующее учить?🙃
Data Driven Management
❤2😁2
🦈 Мороженое и акулы
Привет, друзья ☕️
Когда я училась на Data Science, нам приводили хрестоматийный пример ложной корреляции. Якобы во Флориде провели исследование и нашли связь: растут продажи мороженого — растёт число нападений акул. И не сразу сообразили, что связи между ними никакой. Есть третий фактор — лето: люди едят мороженое и лезут в воду.
Ну пример и пример. Но что-то он меня не отпускал, и я полезла проверять.
Оказалось, такого исследования никогда не было. Пример учебный, придуманный, а графики к нему рисуют для наглядности.
И это полбеды. Если бы кто-то правда взялся считать — он бы этой связи не нашёл. Нападений акул на все США в 2000 году было 41 — при 118 миллионах посещений пляжей. Десятки событий в год против миллионов порций мороженого. Такие ряды рядом никто и не додумается положить, а если положить — из четырёх десятков точек ничего значимого не выжмешь.
Но ложные корреляции существуют, и в них попадают всерьёз.
Смотрим статистику по ДМС: сотрудники, прошедшие диспансеризацию, за год реже обращаются к врачу и обходятся компании дешевле. Вывод напрашивается сам — программа работает, гоним всех. А на диспансеризацию приходят люди неслучайные: те, кто и так за собой следит. Не курит, спит, ходит к врачу вовремя. Они болели бы меньше и без всякой программы. Третий фактор — образ жизни.
А ещё, пока копала, нашла прекрасное. В 2012 году в New England Journal of Medicine — одном из самых авторитетных медицинских журналов мира — вышла статья Франца Мессерли: потребление шоколада в стране коррелирует с числом нобелевских лауреатов на душу населения. Связь сильная, r = 0,79. Автор писал с иронией, но многие приняли всерьёз, и график разлетелся по СМИ. Третий фактор там — богатство страны: богатые и шоколад покупают, и науку финансируют.
К чему это всё. Пример с акулами мне дали на хорошем курсе, а оказался выдумкой. Так что перепроверять имеет смысл и то, что дают в авторитетных местах: там тоже люди, и они тоже пересказывают, не проверяя. А на любом графике с красивой корреляцией первым делом искать третью переменную — ту, что объясняет обе оси сразу. Но шоколадками запасаемся! 🙃
Data Driven Management
Привет, друзья ☕️
Когда я училась на Data Science, нам приводили хрестоматийный пример ложной корреляции. Якобы во Флориде провели исследование и нашли связь: растут продажи мороженого — растёт число нападений акул. И не сразу сообразили, что связи между ними никакой. Есть третий фактор — лето: люди едят мороженое и лезут в воду.
Ну пример и пример. Но что-то он меня не отпускал, и я полезла проверять.
Оказалось, такого исследования никогда не было. Пример учебный, придуманный, а графики к нему рисуют для наглядности.
И это полбеды. Если бы кто-то правда взялся считать — он бы этой связи не нашёл. Нападений акул на все США в 2000 году было 41 — при 118 миллионах посещений пляжей. Десятки событий в год против миллионов порций мороженого. Такие ряды рядом никто и не додумается положить, а если положить — из четырёх десятков точек ничего значимого не выжмешь.
Но ложные корреляции существуют, и в них попадают всерьёз.
Смотрим статистику по ДМС: сотрудники, прошедшие диспансеризацию, за год реже обращаются к врачу и обходятся компании дешевле. Вывод напрашивается сам — программа работает, гоним всех. А на диспансеризацию приходят люди неслучайные: те, кто и так за собой следит. Не курит, спит, ходит к врачу вовремя. Они болели бы меньше и без всякой программы. Третий фактор — образ жизни.
А ещё, пока копала, нашла прекрасное. В 2012 году в New England Journal of Medicine — одном из самых авторитетных медицинских журналов мира — вышла статья Франца Мессерли: потребление шоколада в стране коррелирует с числом нобелевских лауреатов на душу населения. Связь сильная, r = 0,79. Автор писал с иронией, но многие приняли всерьёз, и график разлетелся по СМИ. Третий фактор там — богатство страны: богатые и шоколад покупают, и науку финансируют.
К чему это всё. Пример с акулами мне дали на хорошем курсе, а оказался выдумкой. Так что перепроверять имеет смысл и то, что дают в авторитетных местах: там тоже люди, и они тоже пересказывают, не проверяя. А на любом графике с красивой корреляцией первым делом искать третью переменную — ту, что объясняет обе оси сразу. Но шоколадками запасаемся! 🙃
Data Driven Management
❤5
В этот четверг выступаю на InsurtechDay, буду презентовать совместный проект с АСН — Тепловую карту иншуртеха (бенчмарк зрелости решений срахового рынка РФ). Пока думали над методологией, оказалось много развилок:
- считать ли иншуртехом любое применение ии или только то, которое меняет процесс/имеет заметный измеримый эффект или какое?
- если это уже повсеместно (чат-бот), оно все еще иншуртех или уже нет?
- иншуртех только про ии или любые инструменты цифровизации годны?
Решили свериться с рынком и с вами. Опрос анонимный, 5 минут, бота под него я навайбкодила сама☺️. Ваш ответ повлияет на итоговое определение, не проходите мимо
Пройти опрос →
https://t.me/asnnewsru/4351
- считать ли иншуртехом любое применение ии или только то, которое меняет процесс/имеет заметный измеримый эффект или какое?
- если это уже повсеместно (чат-бот), оно все еще иншуртех или уже нет?
- иншуртех только про ии или любые инструменты цифровизации годны?
Решили свериться с рынком и с вами. Опрос анонимный, 5 минут, бота под него я навайбкодила сама☺️. Ваш ответ повлияет на итоговое определение, не проходите мимо
Пройти опрос →
https://t.me/asnnewsru/4351
Telegram
АСН — Агентство Страховых Новостей
💡 Мы не знаем, что такое иншуртех — выведем определение всем рынком!
На Форуме трансформаторов страхового рынка InsurtechDay 2026, который пройдет в Москве на ВДНХ 23 июля, Анна Муковозова, эксперт по AI и Data Science в страховании, выступит от АСН и представит…
На Форуме трансформаторов страхового рынка InsurtechDay 2026, который пройдет в Москве на ВДНХ 23 июля, Анна Муковозова, эксперт по AI и Data Science в страховании, выступит от АСН и представит…
🔥5❤2
☕️ Успешные люди встают в шесть утра — значит, надо вставать в шесть утра
Слышу это регулярно, в разных обёртках. Успешные читают по книге в неделю. Успешные принимают холодный душ. И вывод, ну как же без него: делай так же — станешь как они.
Это снова про корреляцию, и про то, что она не равно причинность.
Первый вопрос в направлении причинной стрелки. Даже если связь между ранним подъёмом и успехом реальная — откуда известно, что подъём ведёт к успеху, а не наоборот? Может, человеку, который владеет своим временем, без начальника над душой и с ресурсом на спортзал и сон, вставать в шесть легко и приятно? Не ранний подъём сделал его успешным. Успех дал ему возможность так вставать. Стрелка вполне может смотреть в другую сторону, а люди копируют следствие, приняв его за причину.
И это ещё оптимистичный сценарий, где связь хотя бы есть.
Чаще срабатывает то, о чём я писала в прошлый раз, — невидимый третий фактор. Дисциплина, здоровье, поддержка семьи, деньги на старте. Всё это может дать и ранние подъёмы, и успех — одновременно и независимо. Другие смотрят на два следствия одной причины и соединяют их между собой стрелкой, которой нет.
А ещё вы видите только «выживших». Тысячи людей тоже вставали в шесть, но не взлетели, — про них книг не пишут и в интервью не зовут. В выборке остались одни победители, и на таком перекошенном материале что угодно «коррелирует» с успехом.
Как это знание перевести в рабочую привычку:
Услышали «делай X, как успешные», задаёмся вопросом:
✔️Это X приводит к результату — или результат позволяет X?
✔️Нет ли общей причины, которая даёт и то, и другое?
✔️А сколько делавших X никуда не пришли?
P.S. Тот же механизм не только в мотивационных цитатах. Он и в А/Б-тестах, и в отчётах «внедрили инструмент — выросла выручка», в кейсах «клиенты фичи X платят больше».
Data Driven Management
Слышу это регулярно, в разных обёртках. Успешные читают по книге в неделю. Успешные принимают холодный душ. И вывод, ну как же без него: делай так же — станешь как они.
Это снова про корреляцию, и про то, что она не равно причинность.
Первый вопрос в направлении причинной стрелки. Даже если связь между ранним подъёмом и успехом реальная — откуда известно, что подъём ведёт к успеху, а не наоборот? Может, человеку, который владеет своим временем, без начальника над душой и с ресурсом на спортзал и сон, вставать в шесть легко и приятно? Не ранний подъём сделал его успешным. Успех дал ему возможность так вставать. Стрелка вполне может смотреть в другую сторону, а люди копируют следствие, приняв его за причину.
И это ещё оптимистичный сценарий, где связь хотя бы есть.
Чаще срабатывает то, о чём я писала в прошлый раз, — невидимый третий фактор. Дисциплина, здоровье, поддержка семьи, деньги на старте. Всё это может дать и ранние подъёмы, и успех — одновременно и независимо. Другие смотрят на два следствия одной причины и соединяют их между собой стрелкой, которой нет.
А ещё вы видите только «выживших». Тысячи людей тоже вставали в шесть, но не взлетели, — про них книг не пишут и в интервью не зовут. В выборке остались одни победители, и на таком перекошенном материале что угодно «коррелирует» с успехом.
Как это знание перевести в рабочую привычку:
Услышали «делай X, как успешные», задаёмся вопросом:
✔️Это X приводит к результату — или результат позволяет X?
✔️Нет ли общей причины, которая даёт и то, и другое?
✔️А сколько делавших X никуда не пришли?
P.S. Тот же механизм не только в мотивационных цитатах. Он и в А/Б-тестах, и в отчётах «внедрили инструмент — выросла выручка», в кейсах «клиенты фичи X платят больше».
Data Driven Management
❤4
☕️ История не data-driven успеха
Вчера я, человек, который двадцать лет уговаривает всех принимать решения на данных, познакомилась со своим полным антиподом. И, кажется, прониклась его подходом, хотя половину времени внутренне с ним спорила.
Мы были на экскурсии в винодельне «Гай-Кодзор» под Анапой (87 ГА виноградников, 300 тысяч бутылок в год). К гостям вышел её основатель, и за разговором выяснилось, что это чистейший образец НЕ data-driven управления. Человек интуиции и ценностей, фанат своего дела, где-то даже упрямец. И у него работает.
Будний день, середина недели, винодельня не в центре города — а поток к магазину не прекращался ни на минуту. Люди подъезжали и покупали, покупали, покупали.
Его философия — из Франции, где он прожил много лет. Клиент должен чувствовать заботу. Он лично отвечает в Telegram, сам встречает гостей, ездит по виноградникам. Команду бережёт годами: французы работают с основания, а пожилым сотрудницам он спокойно даёт выходные в разгар сезона, если тем надо в огород. Всё это не оцифровано, не оптимизировано, но держит бизнес лучше многих таблиц.
Он рассказал две показательные истории:
Как во Франции они с женой ушли из ресторана через пять минут, потому что к ним никто не подошёл, хотя бы просто сказать bonjour и дать меню.
И как здесь однажды увидел в любимой кофейне ценник, выросший вдвое, «потому что известные события». Мол, а муку для булочки вам что, из-за границы везут? Спекулировать на цене внешними факторами для него — дно.
Я спросила: а вы пробовали поднять цену процентов на десять и посмотреть, как отреагирует спрос? Он не на шутку возмутился: нет, и не собираемся!
Вот здесь, по-моему, и проходит тонкая, но важная граница.
Держать цену, потому что «вино должно быть доступным», — это ценностный выбор. Он абсолютно законен, и я его уважаю. Данные тут вообще ни при чём: никакой график не скажет тебе, каким ты хочешь быть, — это ты решаешь сам.
Но «не буду проверять, я и так знаю, что спрос упадёт» — это уже другое. Это не знание, это убеждение, выданное за знание. Он не проверял. Возможно, основная часть покупателей платила бы на десять процентов больше и не заметила, а он направил бы эту разницу на то, чего ему сейчас не хватает, — новую линию, технику, запас прочности. А возможно, спрос правда просел бы, и тогда он с чистой совестью вернулся бы к своей цене.
Data-driven ведь не про «выжимай максимум» и не про «повышай цены». Он про не путай «я так решил, потому что это мои ценности» с «я так решил, потому что иначе будет плохо».
Что я вынесла с этой экскурсии: интуиция не против данных. Интуиция отвечает на вопрос «куда я хочу», и здесь наш герой сильнее большинства «датадривенных» менеджеров, которых я знаю. А данные отвечают на вопрос «а правда ли то, во что я по пути верю».
P.S. А может, я всё усложняю, и любой «потолок» — это и есть осознанный выбор: жить в устойчивом состоянии, которое приносит радость, а не гнаться за ростом, который тебе не нужен🩶
P.P.S. Кстати, и экскурсия, и винодельня замечательные. Если когда-нибудь окажетесь в Анапском районе, абсолютный рекомендасьён. Не реклама 😁
Data Driven Management
Вчера я, человек, который двадцать лет уговаривает всех принимать решения на данных, познакомилась со своим полным антиподом. И, кажется, прониклась его подходом, хотя половину времени внутренне с ним спорила.
Мы были на экскурсии в винодельне «Гай-Кодзор» под Анапой (87 ГА виноградников, 300 тысяч бутылок в год). К гостям вышел её основатель, и за разговором выяснилось, что это чистейший образец НЕ data-driven управления. Человек интуиции и ценностей, фанат своего дела, где-то даже упрямец. И у него работает.
Будний день, середина недели, винодельня не в центре города — а поток к магазину не прекращался ни на минуту. Люди подъезжали и покупали, покупали, покупали.
Его философия — из Франции, где он прожил много лет. Клиент должен чувствовать заботу. Он лично отвечает в Telegram, сам встречает гостей, ездит по виноградникам. Команду бережёт годами: французы работают с основания, а пожилым сотрудницам он спокойно даёт выходные в разгар сезона, если тем надо в огород. Всё это не оцифровано, не оптимизировано, но держит бизнес лучше многих таблиц.
Он рассказал две показательные истории:
Как во Франции они с женой ушли из ресторана через пять минут, потому что к ним никто не подошёл, хотя бы просто сказать bonjour и дать меню.
И как здесь однажды увидел в любимой кофейне ценник, выросший вдвое, «потому что известные события». Мол, а муку для булочки вам что, из-за границы везут? Спекулировать на цене внешними факторами для него — дно.
Я спросила: а вы пробовали поднять цену процентов на десять и посмотреть, как отреагирует спрос? Он не на шутку возмутился: нет, и не собираемся!
Вот здесь, по-моему, и проходит тонкая, но важная граница.
Держать цену, потому что «вино должно быть доступным», — это ценностный выбор. Он абсолютно законен, и я его уважаю. Данные тут вообще ни при чём: никакой график не скажет тебе, каким ты хочешь быть, — это ты решаешь сам.
Но «не буду проверять, я и так знаю, что спрос упадёт» — это уже другое. Это не знание, это убеждение, выданное за знание. Он не проверял. Возможно, основная часть покупателей платила бы на десять процентов больше и не заметила, а он направил бы эту разницу на то, чего ему сейчас не хватает, — новую линию, технику, запас прочности. А возможно, спрос правда просел бы, и тогда он с чистой совестью вернулся бы к своей цене.
Data-driven ведь не про «выжимай максимум» и не про «повышай цены». Он про не путай «я так решил, потому что это мои ценности» с «я так решил, потому что иначе будет плохо».
Что я вынесла с этой экскурсии: интуиция не против данных. Интуиция отвечает на вопрос «куда я хочу», и здесь наш герой сильнее большинства «датадривенных» менеджеров, которых я знаю. А данные отвечают на вопрос «а правда ли то, во что я по пути верю».
P.S. А может, я всё усложняю, и любой «потолок» — это и есть осознанный выбор: жить в устойчивом состоянии, которое приносит радость, а не гнаться за ростом, который тебе не нужен🩶
P.P.S. Кстати, и экскурсия, и винодельня замечательные. Если когда-нибудь окажетесь в Анапском районе, абсолютный рекомендасьён. Не реклама 😁
Data Driven Management
❤3👍2
Чем мы займём освободившееся время?
— вопрос, который часто забывают задать при автоматизации в крупных компаниях.
Как обычно выглядит защита проекта:
Внедрим систему — сэкономим 400 часов в год. Все кивают, считают ФОТ, делят на ставку, получают цифру экономии. Проект уходит в работу.
Проходит год. Систему внедрили, она работает, часы формально сэкономлены. А в бюджете функции ничего не изменилось. Никого не сократили, никто не освободился, все по-прежнему заняты по горло.
Финдиректор смотрит на вас недобро, вы разводите руками: ну она же работает.
Что произошло:
Сэкономленное время не исчезает и не превращается в деньги само. Оно растекается. Люди начинают делать то, до чего раньше не доходили руки: чуть тщательнее проверять, чуть больше согласовывать, чуть подробнее оформлять.
Работа расширяется ровно настолько, чтобы занять освободившееся время, — и через полгода уже никто не помнит, что раньше жили без этих проверок.
Это обнаружили еще в 1955 году: в журнале The Economist вышла статья Сирила Паркинсона «Работа заполняет время, отпущенное на неё».
Поэтому экономия времени превращается в экономию денег только одним способом: если решено заранее, чем это время будет занято. Либо люди берут на себя объём, под который иначе нанимали бы новых. Либо перестают делать что-то другое. Либо их реально становится меньше.
Если получилось не так — вы не считали экономику проекта. Вы посчитали объём работ, который автоматизируете, и назвали его экономией.
P.S. Самое неловкое, что этот вопрос почти всегда некому задать. Заказчик влюблён в идею, вендор продаёт, ИТ считает сроки, а финансы подключаются, когда бюджет уже утверждён. Так что задавать его придётся вам. Лучше себе — и заранее. 🙃
— вопрос, который часто забывают задать при автоматизации в крупных компаниях.
Как обычно выглядит защита проекта:
Внедрим систему — сэкономим 400 часов в год. Все кивают, считают ФОТ, делят на ставку, получают цифру экономии. Проект уходит в работу.
Проходит год. Систему внедрили, она работает, часы формально сэкономлены. А в бюджете функции ничего не изменилось. Никого не сократили, никто не освободился, все по-прежнему заняты по горло.
Финдиректор смотрит на вас недобро, вы разводите руками: ну она же работает.
Что произошло:
Сэкономленное время не исчезает и не превращается в деньги само. Оно растекается. Люди начинают делать то, до чего раньше не доходили руки: чуть тщательнее проверять, чуть больше согласовывать, чуть подробнее оформлять.
Работа расширяется ровно настолько, чтобы занять освободившееся время, — и через полгода уже никто не помнит, что раньше жили без этих проверок.
Это обнаружили еще в 1955 году: в журнале The Economist вышла статья Сирила Паркинсона «Работа заполняет время, отпущенное на неё».
Поэтому экономия времени превращается в экономию денег только одним способом: если решено заранее, чем это время будет занято. Либо люди берут на себя объём, под который иначе нанимали бы новых. Либо перестают делать что-то другое. Либо их реально становится меньше.
Если получилось не так — вы не считали экономику проекта. Вы посчитали объём работ, который автоматизируете, и назвали его экономией.
P.S. Самое неловкое, что этот вопрос почти всегда некому задать. Заказчик влюблён в идею, вендор продаёт, ИТ считает сроки, а финансы подключаются, когда бюджет уже утверждён. Так что задавать его придётся вам. Лучше себе — и заранее. 🙃
❤4👍2
Крысы, которых развели ради премии
Апрель 1902 года, Ханой. Французская колониальная администрация борется с чумой. Крыс в новой канализации развелось столько, что чиновники объявляют награду: один цент за каждый сданный крысиный хвост.
Метрика идеальная.
Простая, проверяемая, не нарисуешь в отчёте. Есть хвост — значит, крыса мертва.
Показатели пошли прекрасные. 12 июня 1902 года — 20 114 крыс за сутки. В соседние дни — тоже десятки тысяч. На бумаге город стремительно очищался.
А потом по Ханою забегали бесхвостые крысы.
Выяснилось, что местные ловили крысу, отрезали хвост, сдавали его за деньги и отпускали животное обратно — размножаться. А самые предприимчивые за городом начали крыс разводить. Специально. Чтобы поток хвостов был стабильным.
Метрику никто не подделывал. Все хвосты настоящие. Просто цель («меньше крыс») и мера («количество хвостов») разошлись, а люди оптимизировали ровно то, за что им платили.
У этого есть имя. В 1975 году Чарльз Гудхарт, советник Банка Англии, сформулировал: любая статистическая закономерность разрушается, как только на неё начинают давить с целью управления. Сейчас закон цитируют короче — когда мера становится целью, она перестаёт быть хорошей мерой.
Дальше каждый подставляет своё:
— платим за закрытые тикеты → тикеты дробятся на мелкие — меряем скорость первого ответа → в чат прилетает «принято в работу» и тишина — KPI по числу консультаций → одна консультация превращается в три звонка.
Все делают ровно то, за что им платят.
P.S. Самое показательное в ханойской истории — почему вообще выбрали хвост. Сдавать целую тушу сочли слишком обременительным для чиновников. Метрику выбрали за удобство сбора. Насколько точно она измеряет цель — оказалось вторично. Узнаёте? 🙃
Апрель 1902 года, Ханой. Французская колониальная администрация борется с чумой. Крыс в новой канализации развелось столько, что чиновники объявляют награду: один цент за каждый сданный крысиный хвост.
Метрика идеальная.
Простая, проверяемая, не нарисуешь в отчёте. Есть хвост — значит, крыса мертва.
Показатели пошли прекрасные. 12 июня 1902 года — 20 114 крыс за сутки. В соседние дни — тоже десятки тысяч. На бумаге город стремительно очищался.
А потом по Ханою забегали бесхвостые крысы.
Выяснилось, что местные ловили крысу, отрезали хвост, сдавали его за деньги и отпускали животное обратно — размножаться. А самые предприимчивые за городом начали крыс разводить. Специально. Чтобы поток хвостов был стабильным.
Метрику никто не подделывал. Все хвосты настоящие. Просто цель («меньше крыс») и мера («количество хвостов») разошлись, а люди оптимизировали ровно то, за что им платили.
У этого есть имя. В 1975 году Чарльз Гудхарт, советник Банка Англии, сформулировал: любая статистическая закономерность разрушается, как только на неё начинают давить с целью управления. Сейчас закон цитируют короче — когда мера становится целью, она перестаёт быть хорошей мерой.
Дальше каждый подставляет своё:
— платим за закрытые тикеты → тикеты дробятся на мелкие — меряем скорость первого ответа → в чат прилетает «принято в работу» и тишина — KPI по числу консультаций → одна консультация превращается в три звонка.
Все делают ровно то, за что им платят.
P.S. Самое показательное в ханойской истории — почему вообще выбрали хвост. Сдавать целую тушу сочли слишком обременительным для чиновников. Метрику выбрали за удобство сбора. Насколько точно она измеряет цель — оказалось вторично. Узнаёте? 🙃
❤6
Пять специалистов тратят по три часа в день на разбор входящих документов: проверить комплектность, вычитать ключевые поля, забить в систему.
5 × 3 часа × 21 рабочий день = 315 часов ручной работы в месяц.
Автоматизация извлечения данных снимает примерно 60% этой рутины — остальное всё равно смотрит человек. Остаётся ≈190 часов в месяц.
Полностью нагруженный час специалиста — оклад, страховые взносы, рабочее место — при окладе 90–100 тысяч это ≈900 ₽ за час.
190 × 900 = 171 000 ₽ в месяц. Около 2 млн ₽ в год.
Расходы: пилот на одном типе документа — 0,8–1,5 млн ₽ (рыночная вилка из публичных источников), поддержка ≈40 тыс ₽/мес. Чистая экономия — ≈131 тыс ₽/мес. Окупаемость — 6–12 месяцев. В любом конце вилки — меньше года.
Это одна страница. С ней уже можно идти к руководству — не «мы изучаем ИИ», а «вот процесс, вот точка приложения, вот сумма, вот срок».
Сам расчёт занимает 15 минут. Сложность в том, чтобы до него правильно выбрать процесс: половину процессов трогать не надо, и это тоже надо уметь увидеть — до того, как потрачен бюджет, а не после.
26.08 в 19-00 провожу бесплатный вебинар. Разбираю этот процесс от начала до конца: раскладка на шаги → фильтр «стоит ли вообще трогать» → расчёт окупаемости. На примере обработки входящих документов — процесса, который есть и в урегулировании, и в андеррайтинге, и в продажах. Меняется только название пакета.
Чего не будет: обучения методу целиком за час, разбора «какой инструмент выбрать», продажи вендорских решений.
Что будет: метод на одном живом примере и понимание, как это работает на практике, без ИТ-отдела.
Для кого: руководители функций страховых компаний, менеджеры направлений и все, интересующиеся темой.
1-1.5 часа. Регистрация: datadriven-course.com/webinar
(Не открывается в Safari на IPhone, на айфонах можно с Яндекс браузера зайти)
5 × 3 часа × 21 рабочий день = 315 часов ручной работы в месяц.
Автоматизация извлечения данных снимает примерно 60% этой рутины — остальное всё равно смотрит человек. Остаётся ≈190 часов в месяц.
Полностью нагруженный час специалиста — оклад, страховые взносы, рабочее место — при окладе 90–100 тысяч это ≈900 ₽ за час.
190 × 900 = 171 000 ₽ в месяц. Около 2 млн ₽ в год.
Расходы: пилот на одном типе документа — 0,8–1,5 млн ₽ (рыночная вилка из публичных источников), поддержка ≈40 тыс ₽/мес. Чистая экономия — ≈131 тыс ₽/мес. Окупаемость — 6–12 месяцев. В любом конце вилки — меньше года.
Это одна страница. С ней уже можно идти к руководству — не «мы изучаем ИИ», а «вот процесс, вот точка приложения, вот сумма, вот срок».
Сам расчёт занимает 15 минут. Сложность в том, чтобы до него правильно выбрать процесс: половину процессов трогать не надо, и это тоже надо уметь увидеть — до того, как потрачен бюджет, а не после.
26.08 в 19-00 провожу бесплатный вебинар. Разбираю этот процесс от начала до конца: раскладка на шаги → фильтр «стоит ли вообще трогать» → расчёт окупаемости. На примере обработки входящих документов — процесса, который есть и в урегулировании, и в андеррайтинге, и в продажах. Меняется только название пакета.
Чего не будет: обучения методу целиком за час, разбора «какой инструмент выбрать», продажи вендорских решений.
Что будет: метод на одном живом примере и понимание, как это работает на практике, без ИТ-отдела.
Для кого: руководители функций страховых компаний, менеджеры направлений и все, интересующиеся темой.
1-1.5 часа. Регистрация: datadriven-course.com/webinar
(Не открывается в Safari на IPhone, на айфонах можно с Яндекс браузера зайти)
Datadriven-Course
Курс «Автоматизация и AI в страховых процессах»
Матрица применимости ИИ к вашим процессам — без хайпа и обещаний внедрения.
🔥2