🧪 А/В-тесты в страховании, или почему нельзя просто взять и сравнить


Привет, друзья! ☕️

Представьте: вы работаете в страховой компании. Запустили телемедицину в ДМС. Начальство просит оценить эффективность. Логичное решение: берём тех, у кого есть телемедицина, смотрим, сколько они обращаются, сравниваем с теми, у кого её нет. Если у "обладателей" обращений меньше — значит, телемедицина работает, верно?

Верно, но только если вы хотите, чтобы вас вежливо поправили на планерке и больше не доверяли серьёзную аналитику.


Почему это не сработает

Проблема в том, что клиенты с телемедициной и без — это не два одинаковых человека, которые отличаются только наличием услуги. Это, скорее всего, две совершенно разные компании.

Телемедицину чаще применяют:

▫️Современные IT-компании с молодыми сотрудниками, которые и так реже болеют
▫️Или наоборот, производства, где хотят обеспечить медициной работников отдаленных уголков страны
▫️Или вообще банки, где стресс — основной фактор обращений

Вы никогда не поймёте: телемедицина повлияла на обращаемость или просто молодые айтишники реже ходят по врачам. Это как сравнивать пингвинов со слонами и делать выводы о пользе хобота.


Что такое А/В-тест на самом деле

Классический А/В-тест пришёл к нам из науки. Там всё просто: берём случайную выборку, делим на две группы, одной даём волшебную таблетку, другой — пустышку. И смотрим разницу. Никто не знает, кому что досталось, группы одинаковые по всем параметрам, кроме исследуемого.

В бизнесе идеально чисто бывает редко, но принцип тот же: случайность распределения и контроль остальных факторов.


Как это выглядит в страховании

Телемедицина (правильный подход):
Находим крупного клиента с тысячей сотрудников. Делим их случайным образом на две группы (по табельным номерам, например). Одним подключаем телемедицину, другим нет. Через месяц сравниваем количество обращений, больничных, удовлетворённость.

Где подвох

В реальной жизни мы часто идём на компромиссы:

▫️Не всегда можем рандомизировать (этично ли лишать клиента услуги, если она полезна?)
▫️Не хватает трафика (чтобы увидеть разницу, нужно много наблюдений)
▫️Используем "природные эксперименты" — например, запускаем услугу в одних регионах и сравниваем с другими, но тогда приходится учитывать, что регионы и так разные.

Но суть остаётся: хороший аналитик всегда задаст вопрос "А группы точно сопоставимы?", прежде чем делать выводы.


Признавайтесь, кто считал, что быть аналитиком, это — уметь "сравнить две циферки"?

Подписывайтесь, чтобы не пропустить разбор того, как когортный анализ иногда лучше А/В-тестов, особенно когда рандомизация невозможна.🩶
Data Driven Management

🤖 ИИ-агенты: по следам «обучения»


Привет, друзья! ☕️

Ходила на обучение по ИИ-агентам. Два часа нам старательно показывали, где в интерфейсе какие галочки ставить и как соединять блоки. Про то, зачем это нужно, — в красивой презентации из серии «все обо всем, но ни о чем толком». Понимания появилось примерно ноль.

Если вы тоже наслушались про агентов и не можете уловить, чем они отличаются от обычного ChatGPT, — давайте разбираться вместе.


В чём разница

ChatGPT, DeepSeek, Grok — это языковые модели, в народе «нейронки». Вы спросили — они ответили. Могут написать текст, сгенерировать фото или видео.

ИИ-агент — это цепочка (или граф) узлов вокруг нейронки, каждый из которых что-то делает, и они передают друг другу данные. Он может:

· сам залезть в базу данных и вытащить цифры,
· отправить письмо через корпоративную почту,
· написать и запустить код,
· пройти несколько шагов, запоминая промежуточные итоги

Из чего строится агент

✔️Вход (Trigger или Input)
С чего всё начинается. Это может быть:

· Запрос пользователя в чате
· Сообщение из телеграм-бота
· Файл
· Расписание (каждое утро в 9:00)

✔️Блок обработки (вот тут нейронка, которую вы выбрали + инструкция)
Сюда попадает запрос. Здесь пишут чёткую инструкцию, она же промт: «Ты — помощник страхового агента. Твоя задача — извлечь из сообщения клиента: ФИО, номер полиса, суть обращения». На выходе — структурированные данные.

✔️Блок действий (Tools)
Тут агент начинает что-то делать:

· Проверить статус полиса в базе
· Отправить запрос на расчёт
· Сформировать письмо
· Записать клиента в календарь

✔️Блок принятия решений (Router)
Агент решает: «Если статус полиса активен — иди в блок ответа клиенту. Если не активен — иди в блок запроса недостающих данных».

✔️Блок ответа (Output)
Формирует итоговое сообщение и отправляет клиенту или в систему.

Любые блоки могут повторяться или отсутствовать.

Где таких собирают

Для самостоятельной сборки есть несколько платформ. Самые популярные:

n8n — визуальный конструктор рабочих процессов.
Langflow — open-source фреймворк, тоже с визуальным редактором.

Есть еще другие, но я пока руками щупала только эти.
Ни одного реально работающего ии-агента не собрала, учусь, но уже вижу кучу проблем внедрения в корпоративный мир (привет, бабулька из регистратуры😁).

В штатах взрыв долины сделал OpenClaw (особенно хватят, если к нему прикрутить нейронку Claude Code). Но там все с vpn и ощутимо платно, поэтому чтобы туда лезть, надо точно знать, зачем мне агент вообще😅

Так что для меня пока агенты — это что-то на перспективном. И если обучение сводится к «покрутите блоки в интерфейсе», вряд ли мы скоро стартанем в их массовом внедрении.

P.S. А вы уже пробовали собирать агентов или только приглядываетесь? Если да, на какой платформе?

Продолжение следует.. подписывайтесь, чтобы не пропустить🩶
Data Driven Management

📊 Manus: нейросеть, которая сделает презентацию за вас


Привет, друзья! ☕️

Аналитики много работают с данными. Но рано или поздно наступает момент, когда результаты нужно упаковать в презентацию. И тут выясняется, что красиво оформлять слайды никто не умеет.

Хорошая новость: есть нейросеть (ой, ии-агент🫢), которая решает эту проблему. Плохая: работает она не без танцев с бубном.


Что такое Manus и почему о нём говорят

Manus — это AI-агент, который умеет самостоятельно собирать информацию, анализировать её и на выходе выдавать готовую презентацию. Полноценные слайды с оформлением, структурой и графикой.

1. Заходите на сайт manus.im.
(из России только с vpn)
2. Регистрируетесь через Google-аккаунт.
3. Получаете 1 000 приветственных токенов и по 300 токенов ежедневно — этого хватит на несколько презентаций.


Если пользуетесь часто или нужны масштабные проекты — придётся оформлять платную подписку.


Как ей пользоваться

Самый простой способ — дать прямой промт. Например:

«Создай презентацию на тему развития аналитики в России в 2026 году».

Но если у вас есть конкретный контекст (данные, план выступления, специфическая задача), лучше сделать так:

✔️Идёте в ChatGPT, DeepSeek или любую привычную бесплатную нейронку.
✔️Пишете: «Напиши промт для Manus для создания презентации по следующему контексту: [ваш текст]».
✔️Полученный и проверенный (!) промт закидываете в Manus.
✔️Если промт на английском — уточните в нем: «презентация нужна на русском языке».
✔️Стиль можно доверить нейросети (и поверьте, она в них знает толк) или описать самим.


Готовую презентацию скачиваете в формате PowerPoint или PDF


Важно!

Manus — это публичный AI-агент. Всё, что вы ему отправляете, уходит на обработку во внешнюю систему. Поэтому никаких:

· персональных данных клиентов
· внутренних финансовых показателей
· стратегических планов, которые не для внешних глаз
· неопубликованных отчётностей

Для таких задач — только свои руки и корпоративные инструменты.
Data Driven Management

🧠 Почему даже опытный аналитик должен иногда менять очки


Привет, друзья! ☕️
У меня есть один пунктик. Сколько себя помню, я всё время чему-то учусь. Это как зуд: кажется, что если не узнаю, как устроено то, что лежит за горизонтом моей профессии, — мир пройдёт мимо.

Сейчас очередной приступ. Я пошла на курс Вани Замесина по Advanced JTBD.

Курс про продуктовую методологию. Звучит как «не моё», но на деле — чистое расширение сознания. Там и про то, как мозг принимает решения, и про графы работ (это когда ты перестаёшь мыслить «фичами» и начинаешь видеть задачи клиента), и про то, как выбирать наименее затратное решение (спойлер: не всегда то, что кажется дешёвым).

А ещё ABCDX-сегментация, юнит-экономика и даже вайб-кодинг. В общем, набор слов, который на первый взгляд пугает, а на второй — затягивает.

Зачем аналитику это всё

Потому что даже если вы суперпрофи в своей области, смотреть на мир через один и тот же объектив — надёжный способ однажды пропустить что-то важное.

Аналитика — она не про цифры. Она про понимание того, что за цифрами стоит. А за цифрами всегда стоят люди, их задачи, их контекст. И когда ты начинаешь видеть это с другой стороны, твои привычные графики начинают говорить на новом языке.


Почему я про это пишу

Во-первых, чтобы похвастаться, что я снова учусь. А во-вторых (и это серьёзно), чтобы напомнить: даже если вам кажется, что вы уже всё знаете в своей сфере, — это не так. Мир не стоит на месте, и самый ценный навык сейчас — это умение дообучаться.

По мере получения инсайтов буду с вами делиться. Надо? Ставьте реакции, если да)

P.S. Это не реклама. У Вани и без меня 50 тысяч подписчиков. Просто делюсь тем, что зацепило.
https://t.me/zamesin

DataDrivenManagement

🏦 Налог на вклады: почему 16% превращаются в 14,5% (и как это влияет на выбор «копить или гасить»)


Привет, друзья! ☕️
Апрель наступил, годовые бонусы выплачены. А значит, снова актуальна извечная дилемма: гасить льготную ипотеку (под 6%) или класть деньги на вклад (под 14%)?

Недавно мы с вами разбирали этот вопрос:
Ипотека vs вклад

Но! Есть важное уточнение. И особенно актуально оно для тех, у кого суммы на руках побольше.

Налог на вклады

Многие слышали: «Налогом облагаются вклады свыше 1 млн», но как это понимать? Налогом облагается не сам вклад, а процентный доход, который превышает определённый лимит.

Этот лимит считается по формуле: 1 млн рублей × максимальная ключевая ставка за год.

На апрель 2026 года максимальная ключевая ставка была 16% (и мы пока не ожидаем, что она вырастет). Соответственно, необлагаемый лимит по доходам за 2026 год составит 160 000 рублей.

Если ваш суммарный процентный доход по всем вкладам за год не превышает 160 000 рублей — налог платить не нужно. Превысили — платите 13% (там есть переход на ставку 15%, но для этого на вкладах должно лежать более 20 млн при текущей ставке).

Как это выглядит на цифрах

Давайте посчитаем реальную доходность после вычета налога для вклада под 16% годовых при условии, что других источников процентного дохода у вас нет (налоговая сама всё суммирует по всем вашим счетам). Во всех примерах ниже я округляю ставку после налога для простоты:

▫️Вклад 1,5 млн рублей: годовой доход — 240 000 ₽. Вычитаем необлагаемые 160 000 ₽ → облагается 80 000 ₽. Налог 13% = 10 400 ₽. Чистый доход = 229 600 ₽. Реальная ставка ≈ 15,3% (разница с заявленными 16% — всего 0,7 п.п.)

▫️Вклад 3 млн рублей: Реальная ставка ≈ 14,6% (разница с заявленными 16% — 1,4 п.п.)

▫️Вклад 5 млн рублей: Реальная ставка ≈ 14,3% (разница — 1,7 п.п.)

Чем крупнее вклад, тем сильнее налог «съедает» доходность, но все это в пределах 2 процентных пунктов.

Что в итоге

Даже после вычета налога вклад под 10-16% выигрывает у ипотеки под 6% с отрывом. Для того, чтобы перестать зарабатывать, вклады должны упасть до 8-9% ставки.

Главное — не забывайте включать налог в свои расчёты, особенно когда речь идёт о суммах выше 1,5-2 млн рублей. И помните, что налоговая сама посчитает и пришлёт уведомление — ничего декларировать не нужно😉

DataDrivenManagement

🤖 Почему ИИ-агенты в больших компаниях — пока еще в стажерах


Привет, друзья! ☕️
Если вас тоже нервируют фразы: заменим целые отделы, автоматизируем всё, агенты будут сами отвечать клиентам, оформлять документы, считать выплаты, — этот пост для вас.

Выдыхаем. В больших компаниях во многом всё по-прежнему. Потому что внедрение упирается в три вещи, которые не лечатся ии-агентом.


Тормоз №1. Безопасность

Агенту нужен доступ к CRM, базам, документам. Дать ему полный доступ — страшно. Ограничить — он не сможет работать.

В итоге компании или используют внешних агентов, но сильно ограниченный доступ, или разворачивают мини-версии агентов во внутреннем контуре с полным доступом, но с мозгами курицы. Функциональность любого варианта сильно ограничена.

Тормоз №2. Ответственность

ИИ-агент отправил клиенту не тот документ. Или неправильно посчитал выплату. Чья вина? Разработчика, который написал промт? Владельца процесса, который дал добро? Самого агента?

Пока этот вопрос не решен даже в юридическом поле, а значит, везде, где поставят работать ии-агентов, между ним и клиентом все равно будет нужен человек.


Тормоз №3. Исходные данные

ИИ-агент, скажем, в аналитике, хорош ровно настолько, насколько хороши данные, к которым его подпустили. Если в CRM клиенты называются «Иванов Иван», «Ivanov», «Иван Иванович (дубль)» — агент будет уверенно их путать, пока человек не напишет в промте/коде, как это обрабатывать.

Если важные данные хранятся в текстовом поле с комментариями «оценка ущерба примерно 10к» — агент не превратит это в столбец с числом. Может, но получив четкую инструкцию. От аналитика. Который никуда не денется, и по-прежнему будет нужен всем, чтобы «хоть кто-то наконец объяснил», что там этот ии-агент насчитал, почему насчитал неправильно и как это чинить.

И вишенка на торте: ии-агенты очень плохо работают с «неизвестно», если у него нет данных, он их может дофантазировать. В любом месте. И поручив ему достаточно комплексную задачу, рискуем на выходе получить неотличимую от правды галлюцинацию.

Зачем я это пишу?

Чтобы вы, читая очередную статью про «внедрили ИИ-агентов и улетели в космос», помнили: в реальной практике применения, а не в инфополе, за кулисами осталось много нерешенных вопросов.

Мир действительно меняется, и игнорировать это глупо. Но и поводов для паники нет. Спокойно и в своем темпе начинаем осваивать новые инструменты, присматриваться к ним, читать обзоры, что-то устанавливать. Не отстанем и не опоздаем, не переживайте! 😉

P.S. Кстати, в маленьких компаниях, возможно, также, если кто есть, откликнитесь в комментариях.

Data Driven Management

🌳 ОТ ДЕРЕВА К ГРАФУ: КАК DATA SCIENCE И JTBD ОБЪЯСНЯЮТ ОДНО И ТО ЖЕ С РАЗНЫХ СТОРОН

Привет, друзья!☕️

Данные — это не обязательно таблицы и цифры, любой набор признаков или формализованный учет — это тоже данные, и тоже про data driven. Последние недели я усиленно учусь. А когда учишься, неизбежно формируешь какие-то инсайты в голове. Так вот, я тут переосмыслила одну из самых популярных моделей прогнозирования — дерево решений. Если перевернуть логику от фич к работам, то дерево превращается в граф. Смотрите.

Дерево решений — классика Data Science

Если не сталкивались, на пальцах. Дерево решений — это модель, где набор признаков ведёт к одному-единственному ответу.

Хотим определить, что перед нами за плод? Идём по веткам:

- Красный? → да
- Круглый? → да
- Съедобный? → да
- Растёт на дереве? → нет, в огороде
- Ответ: помидор.

Иногда хватает 5 признаков. Иногда нужно 50 — потому что после 49 у нас всё ещё остаётся выбор между «помидор» и «яблоко». И только признак №50 («растёт в огороде, а не в саду») расщепляет последнюю развилку.

Ключевое: каждый объект ведёт к одному решению. Веточки сужаются, пока не остаётся ровно один ответ. Поэтому это — дерево. Одна вершина, один путь, один листок.

Граф работ — это дерево, которое мутировало в JTBD

На воркшопе по JTBD я увидела конструкцию, которая выглядит почти как дерево, но на самом деле — граф.

Вверху — «большая работа» клиента (Big Job): быть здоровым, быть спокойным за семью, быть успешным. Ниже — работы помельче. В самом низу — конкретные решения, которые клиент «нанимает» на работу.

И вот разница: одно решение может закрывать сразу несколько работ выше уровнем.

Тот же помидор. Решение «съесть помидор» закрывает:
- работу «утолить голод»,
- работу «получить удовольствие» (если люблю помидоры),
- работу «съесть что-то полезное» (если слежу за питанием),
- работу «быть экономным» (если он с дачи, а не из «Азбуки»).

Одно решение → четыре стрелки вверх. Это уже не дерево. Это граф.

Почему это не просто игра терминов

В дереве решений логика предсказательная: «вот признаки — вот единственный ответ». Её задача — классифицировать. Отнести объект к одной категории.

В графе работ логика объяснительная: «вот решение — вот все задачи, которые оно закрывает для клиента». Её задача — понять мотивы. Увидеть, зачем человек делает то, что делает.

И когда смотришь через второе, в голове происходит интересное. Ты начинаешь понимать: клиент редко покупает ваш продукт ради одной задачи. Он покупает его, потому что продукт случайно или намеренно закрывает ему сразу 3–4 верхних работы. И если вы оптимизируете продукт под одну «главную» работу, игнорируя остальные ветки графа — вы сами режете себе ценность.

Инсайт, который я забрала

В личном страховании мы классифицируем клиентов по признакам: количество работников, отрасль, регион основной локации. И пытаемся от этого строить решение, которое им нужно. То же самое и в рознице — фичизм повсюду.

Но клиент живёт не на дереве, а в графе. И у московского коллектива в 500 человек потребность в страховке может закрывать разные "работы": от личных работ менеджера по закупкам до глобальных работ-поручений акционеров. И им нужен разный продукт.

P.S. А вы у себя в работе с кем чаще — с деревом или с графом? Где ваши клиенты и продукты? Интересно собрать срез по разным отраслям.

Data Driven Management

🌳 ОТ ДЕРЕВА К ГРАФУ. ЧАСТЬ 2: А В B2B ВСЁ ЕЩЁ ИНТЕРЕСНЕЕ

Привет, друзья! ☕️

В прошлый раз мы с вами разобрали, как дерево решений превращается в граф работ, если перевернуть оптику от фич к задачам клиента. Я поймала себя на том, что к изначальному рассуждению хочется добавить ещё три-четыре пласта.

А когда у тебя «ещё три-четыре пласта» — это уже не пост, это лонгрид. Поэтому оформила всё в статью на Хабр: с таблицей сравнения двух оптик, с развёрнутым кейсом по рознице и — самое главное — с разбором того, что происходит в B2B.
Статья сейчас висит на модерации. Как появится — дам ссылку 🩶
А пока — тизер того, что внутри.

Розница — это цветочки. Ягодки начинаются в корпоративном сегменте.

Когда розничный клиент покупает ДМС, у него в графе одна small job («попасть к врачу») и за ней — штук пять Big Jobs уровнем выше («не терять рабочий день», «не тратить нервы», «не бояться, что выставят счёт», «заботиться о семье», «быть услышанным»). Страховая обычно оптимизирует одну ветку, а про остальные четыре даже не думает. Это уже не очень.

Но в корпоративном ДМС (а это основной рынок в России) граф не один. Их три параллельных.

🔹 Граф компании — удерживать персонал, снижать больничные, держать HR-бренд, оптимизировать налоговую нагрузку.

🔹 Граф ЛПР (того самого HR-директора, который подписывает договор) — быстро закрыть задачу, выглядеть экспертом перед руководством, не разгребать потом жалобы сотрудников.

🔹 Граф сотрудника — всё то же, что у розничного клиента, плюс ощущение «работодатель обо мне заботится».

Одна покупка. Три стейкхолдера. Три набора Big Jobs, которые часто не совпадают и даже конфликтуют между собой.

И вот главный вывод, к которому я пришла, пока писала статью: выигрывает продукт, который закрывает работы во всех трёх графах одновременно. Выиграть тендер ценой можно. Выиграть сервисом для сотрудников можно. Удобством для HR — тоже можно. А вот пролонгацию выигрывает только тот, кто закрыл всё сразу. И это совсем другая задача, чем та, к которой нас приучила классическая юнит-экономика и деревья решений.


P.S. А пока — вопрос в комментарии: сколько стейкхолдеров в вашем B2B-продукте реально учитываются в продуктовых решениях? Один, два, три или больше? Интересно собрать срез по отраслям.


Data Driven Management

🤖 IAS-бот: диагностика страхового процесса на готовность к автоматизации


Привет, друзья!☕️
Вайбкодеров не остановить😅.
Сделала бота для руководителей функций в страховых. За 5-7 минут опроса он разбирает один процесс и выдаёт вердикт: подходит ли автоматизация, какие инструменты релевантны, какие ограничения отрасли его блокируют.

Зачем

Я точно знаю, что эта боль существует (хотя слово противное, согласна, но тут как раз оно). И существует этот gap между «внедрите» и «куда». И что когда начинаешь спрашивать, выясняется примерно одно и то же: данных для ML нет, а разметка займёт полгода работы экспертов; облачные LLM закрыты инфобезом; локальные модели слабее облачных в разы; либо сам процесс настолько маленький, что автоматизировать его дороже, чем оставить.

Но все молчат. Все продают красивое будущее. А руководитель остаётся один на один с выбором инструмента.

Что внутри бота

48 процессов по 7 функциям. Андеррайтинг, урегулирование убытков, договорная работа с провайдерами, организация медпомощи, продажи, медэкспертиза, клиентский сервис.

Логика опроса:

— Парето-фильтр в начале. Если процесс редкий, маленький или уже прилично автоматизирован — бот это подсветит.

— 16 вопросов по трём осям: рутинность, зрелость данных, организационная готовность.

— Классификация в один из 7 профилей (Рутинёр, Текстовик, Визуал, Классификатор, Многорукий, Незрелый или «Не требует автоматизации») и три рекомендации с реальными ограничениями отрасли.

Ссылка:
Insurance AI Scanner
(@function_scanner_bot)

Бот бесплатный и без регистрации. Если разбора достаточно — пользуйтесь и применяйте🩶

Писала с Claude Code, матрицу рекомендаций заложила исходя из личного опыта и понимания процессов.

Буду благодарна за обратную связь по логике и точности советов. Особенно от тех, кто сам в страховой и видит свои процессы изнутри.

Давайте помогать другу другу становиться data driven

Data Driven Management

Привет, друзья ☕️

Когда долго занимаешься одним и тем же, наступает стагнация. На какие бы курсы ни ходил, какие бы книги ни читал — текущая роль перестаёт мотивировать. Карьерные консультанты в таких случаях советуют менять компанию. Ха-ха, я-то знаю, как тяжело на это решиться, когда у тебя устоявшийся коллектив, удобный график, понятные процессы, и в целом всё хорошо. Внешне кажется, что менять глупо. Внутри — что засиделась.


Но иногда жизнь сама помогает. Подталкивает в нужный момент, разворачивает обстоятельства так, что вдруг видишь — вот он, шанс. Именно это сейчас происходит со мной. Я покинула СОГАЗ. И впервые в жизни решила не уходить из одной компании в другую, а попробовать что-то совсем новое.

То, о чём я давно подумывала, но никогда не решалась. Лет десять назад я вела курс для андеррайтеров страховых компаний, эпизодически, и мне очень понравилось тогда учить людей. Вообще обучать — прямо моё. Любимая часть работы — передавать знания, видеть, как до человека «доходит»

И вот я задумала сделать образовательный проект — курс для страховщиков. Возможно, всё провалится, и я вернусь в наём. Но пока я очень верю, что получится. И очень-очень хочу попробовать.

В достаточности знаний не сомневаюсь, я в этой теме больше двадцати лет. А вот в собственной медийности и готовности быть на виду — что уж говорить. Но я такой человек: боюсь — надо делать. Надо себя толкать, пинать, иначе потом буду жалеть, что не рискнула.

Решила начать с видеоподкастов. Вот оно, моё самое первое видео. Прошу вас его поддержать — посмотреть, поставить лайк, написать комментарий. Конструктивная критика тоже принимается, я её жду. Главное, чтобы она была искренней — такая обратная связь для меня сейчас на вес золота.

YouTube: https://youtu.be/pz1f-Mtik3Q?si=WZoUwYL0pZd0vz6S

ВК: https://vk.ru/wall-238221011_1

P.S. На фото — подарок от моих сотрудников, который они мне сделали в последний день совместной работы. Если на увольнение дарят такое, верится, что ты в этой жизни сделал хорошее. И еще сделаешь..🩶

Привет, друзья! ☕️

Хочу поговорить про одно понятие, без которого современная аналитика превращается в обработку анкет.

Прокси-признак.

Это когда вам не хватает данных, и вы их выводите из того, что есть.

Простой пример. Магазину очень хочется знать, беременна ли клиентка — чтобы вовремя предложить нужный ассортимент. Напрямую спросить нельзя. Но ещё в 2010-м аналитик американского ритейлера Target Эндрю Пол рассказал, как они научились предсказывать беременность по корзине: женщина начинает покупать определённый набор товаров (лосьоны без отдушек, витамины с магнием и тп) — и через несколько месяцев в семье появляется ребёнок. История попала в New York Times в 2012-м и устроила небольшой скандал: одна школьница получила купоны на детские товары раньше, чем рассказала об этом родителям.

Сама беременность как признак — закрыта. А вот поведение её может предсказать довольно точно.

Это и есть прокси-признак: косвенный след искомой величины в тех данных, которые у вас уже есть.

Аналитики работают с прокси постоянно, часто не называя это так:

— Банковский скоринг не получает в анкете, насколько вы дисциплинированны. Зато видит, в какое время суток вы открываете приложение, сколько секунд проводите на странице кредита, отменяете ли заявку на полпути. Поведенческий профиль предсказывает дефолт точнее, чем ответы анкеты.

— Реклама не знает, что у вас будет отпуск. Но видит, что вы три раза за неделю гуглили «погода в Турции» и зашли в Aviasales. Прокси.

— HR-аналитика не получает заявление об увольнении заранее. Зато видит, что сотрудник стал реже отвечать в рабочем чате после 18:00 и обновил профиль в LinkedIn. Снова прокси.

Главное при работе с такими признаками — помнить про разницу между корреляцией и причинно-следственной связью. Покупка лосьона не делает женщину беременной. Запрос «погода в Турции» не отправляет в отпуск. Прокси — это сигнал, повышающий вероятность гипотезы, и не более того. Но если таких сигналов много, и они складываются в устойчивый паттерн — берём.

Зачем я об этом пишу.

В индустриях, где данных много и они разнообразные — ритейл, банки, реклама, контент-платформы, — работа с прокси давно стала стандартом. И поэтому маркетплейсы знают вас лучше, чем компании, у которых вы клиент годами.

В страховании прокси-признаки в продукте используются редко. Андеррайтеры по-прежнему считают по пяти параметрам: возраст, пол, регион, отрасль, историческая убыточность. Ну ок, кто-то по 10, но сути это не меняет. А прокси, которые могли бы дать другую картину — общий адрес как признак домохозяйства, история совместных полисов как признак семейной связи, сезонность обращений к врачу как признак типа потребления медицины — лежат в базах и обычно не задействованы. Не потому что нельзя, а потому что единица учёта в продуктовых процессах остаётся прежней. Застрахованное лицо. И вокруг него всё построено: тариф, продукт, отчётность.

Об этом, кстати, готовлю подробную статью на Хабр, как выйдет, скину.

А первая, про дерево решений и граф работ, наконец прошла модерацию. И уже собрала 11к просмотров🩶 Ссылка на нее.

P.S. А какие прокси-признаки используете вы в своей работе? Поделитесь в комментариях, особенно нестандартными

Data Driven Management

Привет, друзья! ☕️

Когда я нанимала аналитиков, никогда не проводила технических собеседований. Но задавала задачки на смекалку.

Логика простая: всему остальному я сотрудника научу. Инструменты, методики, конкретные техники анализа, особенности отрасли — это вопрос времени и внимания. А вот логическому мышлению научить нельзя. Если человек к 25–30 годам не натренировал способность раскручивать незнакомую задачу с нуля, без подсказок и шаблона, — хорошим аналитиком ему уже не стать. Он будет считать то, что попросят, по образцу. Но никогда не задаст тот самый неудобный вопрос, после которого вся таблица в отчёте начинает выглядеть иначе.

К тому же задачки на смекалку — это ещё и про стрессоустойчивость. А стресс — наша рабочая среда 🙃 Дедлайны, противоречивые вводные, цифры, которые «не сходятся за пять минут до встречи». Если человек на собесе с одной задачкой уплывает в ступор — на проде он уплывёт быстрее.

Вот вам одна из моих любимых — реальная, с настоящего собеса)

Если интересно — ставьте реакции, поделюсь ещё. У меня их накопилось прилично за годы 🩶

Data Driven Management

Привет, друзья! ☕️


В прошлый раз разбирали, что такое прокси-признаки. Сегодня — продолжение: почему компании, у которых эти данные уже лежат в системах, их не используют.

Это вопрос, на который я долго не могла внятно ответить себе сама.

Есть предположение про два основных барьера. И ни один из них не называется «нет технологий».

Барьер 1. Единица учёта прописана в системах десятилетиями назад.

Все базы, отчёты, тарифные модели — построены вокруг одной сущности. В банке это «клиент-физлицо». В страховой — «застрахованный». В ритейле — «карта лояльности». Когда я говорю «давайте смотреть на домохозяйство», это не «давайте напишем SQL-запрос с JOIN». Это «давайте переделаем половину продуктовой архитектуры». От тарифной сетки до системы согласований. И это страшно, дорого, и непонятно, окупится ли.

В результате аналитики могут видеть прокси в данных. Маркетологи могут о них рассуждать. Но в продуктовых решениях — а это то, что доходит до клиента — единица анализа остаётся прежней. Прокси-признак есть, но некуда его применить.

Барьер 2. KPI отделов разрезаны по физлицам.

Это следствие первого барьера. Скоринг банка считается по физлицу. Тариф страховой — по застрахованному. Андеррайтер бонусится за убыточность портфеля физлиц. Никому в среднем менеджменте неинтересно завтра ввести «домохозяйство» как единицу учёта, зачем усложнять себе жизнь. И получается так: «у нас сейчас квартал закрывается, давайте после».

Каждый, кто хоть раз пытался ввести в большой компании сквозную метрику поверх существующих процессов, знает, о чём я.


Что в итоге.

Прокси-признаки — мощный инструмент, но он работает только когда есть продуктовая воля их применять. В индустриях, где такая воля есть (ритейл, реклама, контент-платформы), это даёт колоссальное преимущество — те самые маркетплейсы, которые знают вас лучше, чем компании, у которых вы клиент годами. В индустриях, где этой воли нет, прокси лежат мёртвым грузом в базах, а аналитики продолжают штамповать «отчёты по физлицам».

В страховании пока, на мой взгляд, именно второй случай. Розничный сегмент рынка ДМС от этого — в 27 раз меньше, чем рынок коммерческой медицины, куда клиенты уходят прямо. Об этом, кстати, моя свежая статья на Хабре — там разобрала, что страховщикам надо сделать, чтобы переломить этот разрыв. За первые сутки 6К просмотров, спасибо всем, кто заходил 🩶

Data Driven Management

Привет, друзья ☕️

Спасибо всем, кто решал задачку для собеседований. И спасибо отдельно за то, что никто не ответил неправильно ни здесь ни в Мамалитик — это говорит об аудитории больше, чем любая статистика подписчиков 💪🏼.

Правильный ответ 144.
a + b = a × (a + b) → 9 + 7 = 9 × 16 = 144.

Из таких задач часто и состоит работа аналитика: по четырём точкам данных нужно построить пятую. «Вот данные. Спрогнозируйте». Только вот тренд первых точек какой-то неочевидный. Казалось бы, далекая от реалий жизни математика, на самом деле к ней ох как близка.😁


И раз вам понравилось, задачка номер два — геометрическая, тоже с собеса:

Плавая в круглом бассейне, рыбка оттолкнулась от бортика и поплыла строго на север. Плыла-плыла, уткнулась в бортик, повернула строго на восток — и снова доплыла до бортика. На север она проплыла 3 метра, на восток — 4. Каков радиус бассейна?

Подсказка: тут не нужно ни координат, ни системы уравнений.

Жду решений в комментариях🩶

👩🏻‍💻Сканер страховых процессов

Привет, друзья ☕️

Помните бота, которым можно было быстро прикинуть, готов ли процесс к автоматизации? Спасибо всем, кто его гонял — по вашей обратной связи я поняла, чего не хватает, и довела до полноценной версии.

Теперь у сканера есть веб: проходишь спокойно, с компьютера или телефона, и на выходе получаешь PDF (пример на фото). Бесплатно, без регистрации. Бот тоже остаётся — для быстрой прикидки на ходу.

Что делает:

Выбираете функцию страховой — андеррайтинг, урегулирование, медэкспертиза, провайдеры, продажи, любую из восьми — проходите диагностику. На выходе:

— Карта приоритетов автоматизации. Все процессы функции разложены по трём зонам. Зелёная — сюда бюджет, окупится. Жёлтая — гибрид. Красная — не трогать.

— Готовый вещдок для руководства/совета директоров. Адаптируем «нам нужен AI» в «из N процессов функции столько-то имеют потенциал в ближайший год, столько-то требуют гибрида, столько-то экономически невыгодны». В формулировке, которую можно вставить в презентацию как есть.

— Детальный разбор приоритетного процесса(-ов). Профиль, индексы, топ-3 инструмента с оценкой окупаемости, чек-лист на неделю / месяц / квартал.


Это заняло прилично времени, и я честно не знаю, насколько зайдёт. Поэтому очень прошу: пройдите на каком-нибудь своём процессе и скажите, все ли так. Вдруг где спорная отметка, или не хватило, или я перемудрила. Любая обратная связь сейчас бесценна 🩶

🔗 Сканер: datadriven-course.com/scanner

(Не открывается в Apple Safari, любые другие браузеры)

🤖 Быстрая версия: @function_scanner_bot

P.S. Тем, кому после сканера захочется не готовых ответов, а разобраться в логике — раскладывать процесс самому, проверять отметки, видеть где они спорные — у меня для этого планируется курс, старт 8 июня. Но это отдельная история: без курса сканер самодостаточен. Подробнее — в следующих постах.

Привет, друзья ☕️

Спасибо всем, кто решал задачку с рыбкой в бассейне 🩶 Ответ правильный — радиус 2,5 метра. Прямоугольный треугольник, вписанный в окружность, теорема Пифагора, стороны 3/4/5 — если не помнить, то не так трудно и в уме посчитать. 16+9=25, корень 5.

Но я хотела рассказать не про решение, а про то, на чём кандидаты сыпались, когда я давала эту задачу на собеседованиях. И вовсе не на теореме Пифагора!

🔹 Ошибка №1 — рисуют линию через центр.

Самая частая. Человек читает «поплыла строго на север», берёт ручку — и проводит вертикальный отрезок через центр круга.

В условии этого нет. Сказано только «строго на север», то есть направление, а не точка на бассейне-компасе.

Это для меня серьёзный стоп-фактор. Элементарный кругозор, который должен быть у каждого образованного человека, независимо от профессии. Следующим у них что спросить: Солнце вертится вокруг Земли или наоборот? Удивительно много людей с высшим образованием так ошибались. Назовите меня снобом, но я считаю, что у них надо отбирать диплом. С такими сразу понятно, что мы не сработаемся. Даже если они вписанный в окружность треугольник с доказательствами вызубрили.

🔹 Ошибка №2 — называют ответ 5.

Это уже про внимание к деталям. Кандидат правильно увидел Пифагора, правильно посчитал 3-4-5, и уверенно говорит: «5 метров». А в задаче спрашивается радиус.

Не критично, не red-flag. Но звоночек. Аналитик, который не внимателен к условию задачи — это аналитик, который пришлёт отчёт, не проверив, в каких единицах измерения у него выручка, или будет упорно искать ошибку в коде, где он переменную не обнулил в начале. Внимание к мелочам — это базовая гигиена. Кстати, очень хорошо натаскивается олимпиадными задачками. Начиная от «яблоки на берёзе не растут».

🔹 А вот эту задачку даю сегодня.

Подсмотрела её в учебнике Петерсон для начальной школы. Со звёздочкой, конечно, но всё-таки начальная школа.

Когда я её взяла на собес, оказалось, что взрослые люди сыпятся на ней неожиданно охотно — и по необычной причине. Расскажу в следующий раз.

P.S. Возможно, кандидаты думали, что я странненькая, но вы-то теперь видите, что из любой задачки на смекалку можно много слоев выводов накопать 😉

🔍 3 ошибки, на которые попадает почти любой опросник

Привет, друзья ☕️

Любой диагностический инструмент — будь то опросник «какая у вас личность», профориентационный тест, медицинский скрининг, кредитный скоринг или сложный аналитический сканер — устроен по одному принципу. Пользователь отвечает на вопросы, инструмент собирает ответы по своей внутренней логике и выдаёт результат.

Если будете делать что-то подобное, помните про три методологические ошибки, на которых очень часто спотыкаются разработчики.
Я и сама недавно в очередной раз убедилась в каждой из них — на собственном сканере процессов. Но удобнее объяснять механизм не на нём, а на бытовых примерах.

Ошибка №1. Инструмент всегда даёт ответ, даже когда не должен
Помните онлайн-тесты типа «Узнайте свой тип личности по 16 типам»? Вы отвечаете на 60 вопросов — иногда наобум, иногда «нейтрально» просто потому что не знаете. На выходе: «вы интроверт-стратег» (или что-то подобное). Тот же тест через неделю может выдать другой тип, потому что вы были в другом настроении. Но сам тест об этом никогда не скажет: для него вы всегда конкретный тип, с уверенным результатом.
Та же история у простого онлайн-чекера симптомов, у автоматического HR-скоринга кандидатов. Все они по умолчанию настроены на default-оптимизм: лучше выдать что угодно, чем признаться, что данных не хватает или ответы противоречивы.

Как чинить: добавить блок проверки внутренней согласованности ответов. Если ответы противоречат друг другу (одновременно «люблю шумные компании» и «избегаю общения») — инструмент возвращает вопросы на переоценку или честно сообщает: «вы попадаете в погранзону между типами, точно классифицировать нельзя».

Ошибка №2. Один объект — две взаимоисключающие группы
Компания заполняет в банке две анкеты — для бухгалтерии и для юридического отдела. Бухгалтерия по выручке классифицирует её как «малый бизнес». Юристы по числу сотрудников — как «средний». Через неделю компания получает два письма с предложениями из взаимоисключающих пакетов услуг.
Никто внутри банка не виноват: каждый отдел классифицировал по своему основанию и по своим правилам. А клиент в итоге — в двух категориях сразу.

Как чинить: явно объявить, по какому признаку принимается финальное решение, а какие признаки используются как вспомогательные. Разные модули могут собирать данные по-своему, но точка классификации одна, с одним согласованным методом.

Ошибка №3. Мусорная категория, куда сваливается всё, что не пристроилось
HR-система классифицирует резюме на четыре типа: «технари», «управленцы», «продажники», «креативщики». Кого не удалось отнести — отправляют в «другое». Через год выясняется, что в «другое» попало 40% базы: юристы, финансисты, бухгалтеры, аналитики, методологи, переводчики. Дальше с этой категорией работать невозможно — внутри она настолько разная, что любая рекомендация будет бесполезной для половины.

Как чинить: ставить ограничение на размер «прочей» категории. Если в неё попадает больше 10–15% — сигнал, что упущен критерий или новая осмысленная группа. И регулярно ретроспективно смотреть, что туда упало: оттуда обычно растут будущие основные категории.

P.S. Внимательный читатель наверняка заметил, что на фото не 3, а 4 момента, которые надо держать в голове, разрабатывая диагностический инструмент. Последний — экономический, он не всегда имеет место. Если интересно, в каком виде это у меня вылезло в сканере и как реализована починка — вышла моя статья на Хабре с подробным разбором https://habr.com/ru/articles/1038938/

Data Driven Management

☕️ Личная новость, которой не могу не похвастаться (ну чуть-чуть же можно 😃).


Меня позвали спикером на II Всероссийский форум InsurtechDay 2026 — большую отраслевую встречу про технологии и инновации в страховании. 23 июля, Москва, «Бизнес. Техноград».

Посмотрела список других спикеров и слегка занервничала: гендиректора Т-Страхования, Совкомбанк Страхования, НСИС, вице-президент ВСС, люди из Ингосстраха, Озона, АльфаСтрахования… и я — «независимый эксперт». 🙃 Звучит гордо, будто я ни от кого не завишу. На самом деле завишу: от дедлайнов, кофе и ваших комментариев под постами.

А если серьёзно — мне правда приятно. Только что ушла из найма в свободное плавание, и вот оно привело меня на сцену федерального форума, где я буду говорить про то, что люблю больше всего: AI, Data Science и автоматизацию в страховании.

https://insurtech.asn-news.ru


P.S. Если кто-то из вас тоже будет на форуме — напишите, ужасно хочется пересечься вживую с теми, с кем мы тут общаемся пока только текстом 🩶

Data Driven Management

🧮 Калькулятор экономики автоматизации — выложила в открытый доступ


Привет, друзья ☕️

Когда руководитель функции защищает проект автоматизации перед руководством, разговор начинается одинаково. Финансовый директор спрашивает «сколько сэкономим», ИТ-директор — «какой бюджет заложили», гендир — «когда окупится». На третьем вопросе проваливается большинство заявок.

Собрала P&L*-калькулятор, который отвечает на них за 15 минут.

*P&L (Profit and Loss) — отчёт о прибылях и убытках, базовый язык, на котором защищается любой проект.


Как работает. Это шаблон. Вы вносите в него цифры, которыми оперируете каждый день, — никаких технических параметров, моделей или кода. Только то, что вы и так знаете про свой процесс:
— сколько операций проходит через процесс, штук в месяц
— сколько времени уходит на одну операцию, минут
— во сколько обходится час работы сотрудника, рублей в час (в шаблоне есть подсказка, как посчитать с учётом налогов)
— какую долю операций планируете автоматизировать, процентов
— какой бюджет рассматриваете на проект, рублей (разработка, интеграция, лицензии, поддержка)
— по желанию: сколько процесс теряет на ошибках, рублей в год

Калькулятор сам сводит это в итоговый расчёт:
— годовая экономия фонда оплаты труда (ФОТ) и потерь, в рублях
— срок окупаемости проекта, в годах (обычный и с учетом ставки дисконтирования**)
— потолок разумного бюджета
— сумма, выше которой проект не окупится

**ставка дисконтирования — параметр, который помогает учесть в расчете обесценивание денег в течение периода окупаемости проекта

Встроенный Парето-фильтр:🚩 Если процесс малого объёма, окупаемость больше трёх лет, или разметка данных для ML съедает больше половины бюджета разработки — калькулятор поднимает флаг.

Внутри — инструкция, заполненный пример и пустой шаблон.
Калькулятор размещен у меня на сайте.
Excel, открывается на любом компьютере. Без email-регистрации — забираете и работаете.

→ Скачать калькулятор
(Листаем до раздела Артефакты)

Если открываете на iPhone или Mac в Safari и видите предупреждение «мошеннический сайт» — это ложное срабатывание. Сайт проверен: Google Safe Browsing и VirusTotal чисто. Откройте в Chrome, Firefox, Яндекс.Браузере или с Android.

P.S. Калькулятор — один из артефактов моего курса «Автоматизация и AI в страховых процессах: руководитель принимает решение». Сам Excel работает и без курса. На курсе берём расчёт по вашему процессу и разбираем вместе по шагам — что в нём защищаемо, что нет, как отвечать на вопросы. Если есть желание поработать с этим вместе — приходите🩶

Data Driven Management

✨ КАК ТЯЖЕЛО НАЧАТЬ ПРОДАВАТЬ ПРИЛИЧНОМУ ЧЕЛОВЕКУ

Привет, друзья ☕️

У меня есть образовательный проект для страховщиков. И там давно готов сайт, программа, тренажеры и другие полезные штуки. Сейчас готовлю квиз для заключительной проверки знаний.

Но все никак не напишу — приходите и покупайте. Потому что мне как-то.. стыдно. И вот про этот стыд я и хочу поговорить.

▫️▫️▫️

Я человек советского рождения. И где-то в детстве, через сто маленьких взрослых разговоров на кухне, во мне утрамбовалось убеждение: продавать — это что-то постыдное. Вот откуда этот словарный ряд: торгаш, барыга, спекулянт, челнок? Все синонимы продавца из моего прошлого какие-то неприятные. Все — про человека, который ничего полезного не делает, только перекладывает товар из рук в руки. «Приличные» люди работали инженерами, врачами, учителями. А продавцы — это где-то между «не повезло» и «совесть продал».

▫️▫️▫️

И вот я сижу несколько месяцев над курсом, в который вложила реально весь свой опыт — двадцать лет в страховой аналитике, три образования, разбор конкретных процессов отрасли, методику, которой не дают ни в одном вузе.

И вот я купила домен, сервер, трачу на это личные средства, не говоря уже про разработку.
И выкладываю в свободный доступ инструменты: сканер процессов, калькулятор экономики. И мне даже стыдно сделать это через обязательную регистрацию на сайте, потому что «мы-то знаем, кто так делает».

И я никак не могу написать пост «вот такой классный курс, покупайте», все вокруг да около.

Потому что внутри сидит: «Сейчас все хмыкнут — ну вот, и Аня ударилась в инфоцыганство».
Как будто я что-то впариваю.

▫️▫️▫️

Но если посмотреть иначе..

Когда я ходила на собеседования, я что делала? Я продавала свою экспертизу. Подробно рассказывала, почему я ценный сотрудник, чем я лучше других, сколько я стою. Работодатель платил мне зарплату — то есть покупал мои знания, время, опыт. Это была сделка купли-продажи. Просто оформленная как «трудоустройство».
И никакого позора. Наоборот, чем дороже тебя «купили» — тем престижнее.

А теперь я ровно ту же самую экспертизу хочу продать не одному покупателю на пять лет, а нескольким — порциями, в виде курса. И вдруг это становится «инфоцыганством»?

💡Я долго думала, чем по-настоящему отличается «постыдная продажа» от «нормальной работы». И поняла. Постыдно — это когда продаёшь то, чего не знаешь, преувеличиваешь результат, обещаешь «миллион за неделю». А когда у тебя есть реальная экспертиза, ты честно говоришь, чему учишь, и берёшь за это адекватные деньги — это просто работа. Такая же, как любая другая.
Так что я выдыхаю и наконец рассказываю.

▫️▫️▫️

Мой проект называется «Автоматизация и AI в страховых процессах» — четырёхнедельный курс для менеджеров страховых компаний. Тех, кто отвечает за урегулирование убытков, андеррайтинг, продажи, медэкспертизу, клиентский сервис. Я делаю его на стыке двадцатилетнего опыта в отрасли и того, что сейчас реально работает в автоматизации. Без лозунгов «ИИ всех нас заменит»: разберем текущие задачи, реальные возможности, законодательные ограничения и многое другое. Моя личная цель на курс — чтобы каждый, кто придет, ушел с точным пониманием, что это было полезно, ценно, и его обогатило.

Если среди вас есть люди из страхования или вы знаете таких людей — приходите 🤗

https://datadriven-course.ru



Ваша Мамалитик