Два навыка работы с данными, которые нужны каждому

Герман Коваленко · основатель ENGRAM · Обновлено 1 июля 2026 · Об авторе →

Коротко: Каждому, кто работает с информацией и принимает решения, нужны два навыка: умение правильно формулировать вопрос к данным и умение отличать значимое от шума. Ни программирование, ни знание статистики - оба навыка осваиваются без единой строчки кода. При этом именно их отсутствие чаще всего мешает людям работать с данными на практике.

Есть два навыка работы с данными, которые нужны буквально каждому, кто принимает решения или работает с информацией. Не «уметь программировать» и не «знать статистику». Гораздо проще и при этом критичнее для повседневной работы.

Почему именно два, и почему именно эти

Когда говорят «навыки работы с данными», большинство представляет себе аналитика с Python и дашбордами. Это ловушка. Она отталкивает людей от темы раньше, чем они успевают понять, что им нужно.

На практике я вижу одну и ту же картину: сотрудники тонут не потому, что не умеют строить модели. Они тонут потому, что не могут задать правильный вопрос к данным и не умеют отличить значимое от шума. Это два разных, но связанных умения. Оба можно освоить без единой строчки кода.

Навык первый: правильно формулировать вопрос к данным

Данные сами по себе ничего не говорят. Они отвечают только на те вопросы, которые вы им задаёте. Плохо сформулированный вопрос даёт технически верный, но бесполезный ответ.

Пример из практики. Команда смотрит на выручку за квартал и спрашивает: «Выручка выросла?» Ответ: «Да, на 12%.» Все довольны. Но правильный вопрос звучит иначе: «Выручка выросла у каких клиентов, в каком канале и за счёт чего?» Это уже три разных вопроса, и каждый ведёт к разному решению.

Навык формулировки вопроса включает несколько конкретных вещей:

• Разделять вопрос «что произошло» и «почему произошло». Первое описывает, второе объясняет. Путать их дорого обходится.
• Уточнять временной горизонт и единицу измерения до того, как смотреть на цифры. «Продажи упали» без периода и без базы сравнения, это просто слова.
• Формулировать гипотезу заранее. Не «посмотрим, что покажут данные», а «я предполагаю, что X, и хочу это проверить». Иначе вы будете искать подтверждение тому, во что уже верите.

Этот навык особенно важен сейчас, когда все начали использовать ИИ-ассистентов для анализа. ChatGPT или GigaChat дадут вам ровно то, о чём вы спросили. Если вопрос размытый, ответ будет красиво оформленной ерундой. Умение формулировать вопрос к данным и умение писать хороший промпт, это по сути одно и то же. Подробнее о том, как это работает, разобрано в гайде по промпт-инжинирингу.

Навык второй: отличать значимое от случайного

Второй навык грубее и важнее. Это способность не обмануться числом.

Цифры создают иллюзию точности. Конверсия выросла с 2,1% до 2,4%, кажется, что что-то изменилось. Но если выборка маленькая, это может быть просто случайный разброс. Принять решение на основе такого «роста» и потратить бюджет на масштабирование того, чего нет, классическая ошибка.

Для этого не нужно знать формулы. Нужно усвоить несколько рабочих принципов:

Размер выборки имеет значение. Чем меньше данных, тем больше разброс, тем меньше можно доверять отклонению. Правило большого пальца: если изменение видно на сотнях наблюдений, это уже что-то. Если на десятках, скорее всего шум.

Корреляция не означает причину. Два показателя могут двигаться вместе по совершенно посторонним причинам. Продажи мороженого и утопления коррелируют, потому что оба растут летом. Это не значит, что одно вызывает другое.

Абсолютные числа и относительные говорят разное. Рост на 50% звучит впечатляюще. Рост с 2 до 3 клиентов, уже не так. Всегда смотрите на оба показателя.

Эти три принципа не требуют математического образования. Их можно объяснить любому за 20 минут. Но большинство команд работают годами, не зная ни одного из них.

Как это связано с ИИ и почему сейчас особенно важно

ИИ-инструменты резко снизили порог входа в анализ данных. Теперь любой может попросить модель «проанализируй эти данные» и получить красивый вывод. Проблема в том, что модель не знает, правильный ли вопрос вы задали. И она не предупредит вас, если выборка слишком мала для выводов.

Это создаёт новый риск: уверенные, хорошо оформленные, но ошибочные решения. Скорость генерации ответа выросла, а качество вопроса осталось на прежнем уровне.

Два описанных навыка, это именно то, что ИИ не заменяет. Он усиливает того, кто умеет спрашивать и проверять. Для тех, кто хочет разобраться в том, как устроены сами модели, есть каталог LLM-моделей с разбором возможностей и ограничений.

Отдельная история, когда данные касаются внутренней работы команды: встречи, решения, документы, переписка. Здесь умение задавать правильный вопрос к корпоративной информации становится ещё острее. Инструменты вроде ENGRAM позволяют искать по базе знаний команды, но и здесь качество запроса определяет качество ответа.

Как начать прокачивать эти навыки прямо сейчас

Не нужно курс проходить. Начните с трёх простых изменений в работе:

1. Перед тем как открыть отчёт или попросить ИИ что-то проанализировать, запишите одним предложением: что именно вы хотите узнать и какое решение примете в зависимости от ответа. Если не можете написать, вопрос ещё не готов.

1. Когда видите изменение в цифрах, первый вопрос задавайте не «что это значит», а «сколько наблюдений за этим стоит». Маленькая выборка, подождите больше данных.

1. Когда два показателя движутся вместе, спросите себя: есть ли третий фактор, который объясняет оба? Это привычка, которая вырабатывается за несколько недель.

Больше о том, как устроено обучение работе с ИИ и данными с нуля, в курсе «Введение в ИИ».

Частые вопросы

Нужно ли учить Excel или Python, чтобы работать с данными?

Для базового уровня, нет. Два навыка, о которых речь, это мышление, а не инструмент. Excel помогает, Python ускоряет, но ни один из них не научит вас задавать правильный вопрос или замечать шум в данных. Начните с мышления, инструменты подтянутся по мере необходимости.

Эти навыки нужны только аналитикам или всем?

Всем, кто принимает хоть какие-то решения на основе цифр. Руководителю, который смотрит на отчёт по продажам. Маркетологу, который оценивает кампанию. HR, который анализирует текучку. Данные сейчас везде, и везде одни и те же ловушки.

Как понять, что я уже достаточно хорошо работаю с данными?

Простой тест: когда вам показывают цифру, ваш первый вопрос «по сравнению с чем?» и «на каком объёме данных?». Если эти вопросы возникают автоматически, базовый уровень есть. Если вы сначала делаете вывод, а потом думаете о контексте, есть над чем работать.