В аналитике, глобально, есть два типа задач.

Описательные — понять, что произошло с метрикой. И actionable — понять, что нам сделать, чтобы ее вырастить.

И именно описательные задачи часто съедают очень много времени зря.

Допустим, упала конверсия. Ты нашел какие-то причины, проверил баги, разложил падение по сегментам. Но дальше начинается: «а можем объяснить еще вот эти 0.3 п.п.?», «а почему здесь падение сильнее?»

На последние 20% объяснения тратится еще столько же времени, хотя общая картина часто уже понятна.

Ирония в том, что в actionable-аналитике все наоборот. Если ты строишь модель, сегментацию или механику, именно последние 20% качества могут решить, заработает это в реальности или нет.

У описательной задачи есть понятный definition of done: «мы объяснили почему», а у заказчика — надежда, что вот этот оставшийся кусочек наконец поможет принять решение, поэтому туда инвестируется много ресурса.

А у вопроса «что делать?» нет четкой точки, да и ответственности больше, поэтому и дается сложнее.

И с AI количество описательной аналитики только растет. Уже сейчас каждый может найти, что в городе Б. конверсия ниже, и продать это как инсайт. А вот решения, надо ли что-то с этим делать и что именно, по-прежнему остаются в дефиците.

Хочется поменьше про прошлое, и побольше про будущее. Все как в жизни.