ИИ научился собирать дашборды за вечер. Почему они не стали полезнее?

Еще несколько лет назад подготовка нового дашборда для команды могла занимать месяцы: исследование аналитиков, интервью стейкхолдеров, выбор метрик, а затем кропотливая верстка и проверка в несколько итераций. Сегодня черновик дашборда ИИ собирает за вечер. И выяснилось неприятное: свободные руки разработчиков никогда не были главным ограничением.

Мы проанализировали фреймворк Dashboard Canvas, о котором несколько лет назад рассказывал Роман Бунин читателям нашего блога (сама статья — здесь). И поделимся тем, что за это время изменилось вместе с внедрением ИИ в работу.

Самый трудный блок в фреймворке Dashboard Canvas — вопросы и бизнес-решения. Заказчик говорит «хочу следить за метриками», и эту фразу нужно превратить в правило действия:
— если retention проседает, запускаем рассылку по конкретным сегментам;
— если менеджер не выполняет план, руководитель открывает его сделки и ищет те, которые поможет закрыть.
Пока у метрики нет порога и следующего шага, на экране просто красивая картинка. ИИ может предложить варианты действий, но не определит за команду, какие решения она действительно готова принимать и на каких условиях.

Второе, что подорожало, — данные. Модель уверенно напишет запрос к таблице, где сделки дублируются, а план лежит в экселе с другими написаниями фамилий менеджеров. График будет аккуратным и неверным, сама аккуратность только добавит доверия к ошибке. Поэтому недостаточно правильно поставить задачу модели. Нужно проверить источники, логику расчета и итоговые цифры. ИИ ускоряет работу с данными, но не отменяет ответственность за их качество. Подробнее об этом и том, как повысить качество ответов ИИ, мы говорили в недавнем подкасте.

Третье — контекст. Кто откроет дашборд, когда, на каком экране и что сделает дальше. Нужна ли мобильная версия, как часто обновлять данные, нужно ли обновление в реальном времени — все решается вопросом: что я сделаю, если увижу это прямо сейчас? Если ответ «расстроюсь», эта опция не нужна, как бы легко это теперь ни было собрать.

Что действительно изменилось к лучшему — цена итерации. Раньше ошибку в требованиях находили после недель разработки. Теперь за вечер можно показать заказчику три черновика и сразу после изучения макета услышать: «я смотрю это на стендапе с ноутбука, мне нужна одна цифра сверху». Скорость в доработке прототипа позволяет быстрее собирать обратную связь на кастдевах и итеративно улучшать его.

Обратная сторона дешевизны — дашборды плодятся. Когда новый отчет стоит час, их появляется сорок, и ни один не отвечает на вопрос, ради которого его делали. Обычно делают два типа отчетов: обзорный отвечает на вопрос «как у нас дела в целом?», аналитический — «почему именно так?». Разделять отчеты и иметь возможность перейти из одного в другой по клику должно стать базовым правилом работы с ними.

Если коротко: ИИ ускорил создание дашбордов и проверку гипотез о том, как они должны выглядеть. Но не снял с команды ответственность за главное: понять, какие решения должен поддерживать отчет и можно ли доверять данным. Именно в этих шагах остаются самые ценные инсайты.

Хорошая новость в том, что на них наконец-то появилось больше времени и когнитивных ресурсов.

Подробно про Dashboard Canvas, список вопросов к заказчику, принципы верстки и архитектуру отчетов — в статье.

Читать статью ➡️

@productmindset