Конференция «Матемаркетинг’25»: инструменты аналитиков, ИИ и перспективы — саммари докладов

20–21 ноября в Москве прошел «Матемаркетинг’25» — конференция для аналитиков, performance-маркетологов и product-менеджеров. Мы побывали на площадке и привезли доклады, которые нас зацепили:

• Инструменты и навыки:

  • Как перейти с Google Analytics на Яндекс Метрику

  • Инструменты для сквозной аналитики 2025–2026

  • Как оценивать результаты А/Б-тестов

  • Востребованные навыки аналитика

• ИИ:

  • Для каких задач аналитику стоит внедрять нейросети

  • Кейсы внедрения ИИ в финтехе

• Заменит ли ИИ аналитиков:

  • 5 трендов ИИ в аналитике

  • Кого заменит ИИ

  • Как нанимать сотрудников на фоне развития ИИ

Какие инструменты используют аналитики в 2025–2026 году и какие навыки нужно прокачать

Здесь про:

• использование Google Analytics и переход с сервисов Google на российские;

• инструменты сквозной аналитики, которые будут использоваться в России в ближайшие годы;

• А/Б-тесты и как грамотно оценивать результаты;

• востребованные навыки аналитика ближайшего будущего.

Как перейти с Google Analytics и Google Tag Manager на Яндекс Метрику и другие российские сервисы

Основными принципами и кейсом поделился руководитель Dopamine Analytics Сергей Захарченко. Эксперт напомнил о требованиях закона (ч. 3 ст. 12 ФЗ-152), который запрещает сбор и обработку персональных данных с использованием баз данных, которые находятся за пределами России.

Это усложняет в числе прочего использование Google Analytics и Google Tag Manager.

Теперь персональные данные пользователей нужно обрабатывать в России. А далее зависит от того, с каким сервисом вы работаете:

• если, по мнению Роскомнадзора, сервис надежный, то вы уведомляете ведомство и получаете молчаливое согласие на его использование;

• если страна-получатель персональных данных, по мнению ведомства, не обеспечивает их адекватную защиту, то вам нужно уведомить РКН об использовании сервиса этой страны и получить прямое разрешение Роскомнадзора на его использование.

Нарушителям грозят штрафы до 18 млн рублей.

Если вы по-прежнему хотите работать с Google Analytics или Google Tag Manager, то нужно:

1. Удалить Google Analytics или Google Tag Manager с сайта.

2. Отправить запрос в Роскомнадзор.

3. Получить одобрение Роскомнадзора.

4. Настроить первичную обработку данных в России.

5. Включить Google Analytics или Google Tag Manager.

Для Google Tag Manager есть другой вариант:

1. Удалить классический Google Tag Manager с сайта.

2. Настроить сервер в России и установить на него Server-side Google Tag Manager.

Server-side Google Tag Manager отправляет запросы только на ваш сервер в России и данные не уходят за границу. Эксперт подчеркнул, что перед внедрением нужно проверить актуальность этой информации.

Подробнее про план действий:

• Google Analytics можно будет использовать после 1 июля 2025 года — непопулярное мнение

«Но я не рекомендую ждать, когда начнется волна штрафов, стоит переходить на российские сервисы аналитики», — отметил эксперт.

Переходить на российские сервисы эксперт рекомендует в четыре этапа:

1. Аудит — проверьте, какие данные уходят за рубеж.

2. Приоритеты — определите критичные системы.

3. Пилот — начните с одного канала/продукта.

4. Масштабирование — поэтапный переход всей аналитики.

Кейс, как Dopamine Analytics перевели клиента на российскую аналитику за 2 месяца

Запрос клиента: перейти с Google Analytics на российскую аналитическую инфраструктуру без потери данных и с полным соответствием требованиям 152-Ф3.

Ситуация:

• аналитика строилась на Google Analytics 4 + BigQuery + LookerStudio + Google Cloud;

• многолетний архив данных.

Задача: заново создать систему аналитики на новых инструментах за два месяца.

Этапы решения:

1. Сбор данных: актуализировали события, настроили Метрику, устранили расхождения с CRM.

2. Хранилище: развернули кластер в Yandex Cloud, импортировали архив из BigQuery в ClickHouse.

3. Визуализация: переработали дашборды под DataLens, убрали шум, добавили продуктовые отчеты.

Сроки: два месяца от старта до запуска.

Результаты:

• полная технологическая независимость;

• сохранены 100% данных — архивы за несколько лет;

• скорость обработки отчетов выросла;

• новые возможности анализа (Вебвизор, карты кликов).

Источник: доклад руководителя Dopamine Analytics Сергея Захарченко на конференции «Матемаркетинг’25»

Инструменты для сквозной аналитики, которые будут использоваться в России в ближайшие годы

Пул мастхэв-инструментов собрал руководитель Dopamine Analytics Сергей Захарченко.

Сбор данных

Без уведомления РКН можно использовать:

1. WEB:

   1. Яндекс Метрика + Яндекс Тег Менеджер;

   2. Matomo Analytics + Matomo Tag;

   3. Manager (self-hosted);

   4. SnowPlow/DataGo.

2. MOBILE:

   1. AppMetrica;

   2. MyTracker.

С уведомлением РКН можно использовать (MOBILE):

• AppsFlyer;

• Adjust.

Хранение и обработка данных

Облачные сервера:

• Yandex Cloud;

• VK Cloud;

• *Cloud.

ETL/Оркестрация:

• Apache Airflow;

• Prefect;

• Yandex Data Transfer.

Хранение данных:

• ClickHouse;

• PostgreSQL.

Визуализация данных

Хорошая новость — в России начало появляться много инструментов, которые можно развернуть на собственном сервере, отметил эксперт. По его словам, в ближайшие годы рынок будет использовать:

• DataLens — мастхэв для всех, кто работает с российской аудиторией;

• Visiology — подойдет банкам и госсектору;

• FineBI — подойдет крупному бизнесу;

• Superset — подойдет мастодонтам.

Типовые стеки по отраслям

Отрасль	Стек	Фокус
Ecommerce	Метрика	Скорость внедрения
	ClickHouse
		Популярность решений
	DataLens
Финтех	Метрика	Комплаенс
	Matomo
	ClickHouse	Разграничение доступа
	Visiology
b2b	Метрика	Длинный цикл
	Matomo
	ClickHouse	CRM-интеграция
	DataLens

Источник: доклад руководителя Dopamine Analytics Сергея Захарченко на конференции «Матемаркетинг’25»

Как оценивать результаты А/Б-теста

Один из десяти А/Б-тестов дает положительный результат с точки зрения бизнес-метрик, заявил на конференции Павел Бухтик, Head of Analytics «NO DATA NO GROWTH».

«Бесполезный результат — не значит не давший положительного эффекта. Если мы нашли баги, сгенерировали новые гипотезы и пр., то это полезный эксперимент».

Бесполезным тестом нужно считать тот, результат которого:

• не влияет на дальнейшие решения;

• не дает новые гипотезы;

• вводит в заблуждение;

• сжигает ресурсы.

После проведения А/Б-тестов спикер рекомендовал проверять себя — чтобы понимать, что эксперимент не был бесполезным. Какие вопросы нужно себе задать:

1. Известно, какая именно проблема решается тестом? Нужно четкое понимание.

2. Сколько стоил тест и сколько денег мог принести успех? Была ли оценка экономической целесообразности теста?

3. Зафиксированы ли риски и ограничения эксперимента?

4. Предопределено ли, что нужно делать при незначимом изменении?

5. Последнее А/А тестирование проводилось 2< недель назад?

6. Не проверяли по итогам теста того, чего не было в дизайне? Другие метрики могли исказить инсайты.

7. Есть ли инсайты в том числе от информационных метрик?

8. Зафиксированы ли инсайты по эксперименту в базу знаний?

Если на один из пунктов вы можете ответить твердо нет, то вам нужно внедрять строгие правила проведения А/Б-теста. Спикер собрал их в чек-листе.

Источник: доклад Павла Бухтика, Head of Analytics «NO DATA NO GROWTH», на конференции «Матемаркетинг’25»

Востребованные навыки аналитика ближайшего будущего

Обязательные навыки для аналитиков (и не только) назвали в рамках дискуссионной панели:

• руководитель школы анализа данных Яндекса Алексей Толстиков;

• продакт-менеджер и преподаватель программы «Искусственный интеллект» в ИТМО (Al Talent Hub) Олег Шатов;

• руководитель аналитики и исследований, ex-Ozon Дмитрий Драган.

Навык: базовые знания.

«Даже от стажеров мы требуем знания статистики, линейной алгебры. <...> Многие технические специалисты начинают с фундаментальной математики — это базовая подготовка каждого из нас. Нужно учиться и А/Б-тестированию, и теории вероятности, и пр. Ведь стоимость ошибки принятия решения космическая», — Дмитрий Драган, руководитель аналитики и исследований, ex-Ozon

Навык: соблюдение баланса между софтами, хардами и доменными знаниями.

«Харды, софты и доменные знания легче качать в разные периоды жизни. Харды качаются первыми (важно понимать, что прокачивать харды после софтов крайне сложно). Далее — софты, они накапливаются через опыт: через три—пять лет целенаправленной работы можно будет брать большие проекты. Между тем доменная экспертиза построена на ценностях», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

«Для прокачки доменных навыков важно найти комьюнити — создать пространство, где можно получать ответы на вопросы. Без столкновения с реальностью сложно вырасти», — Олег Шатов, продакт-менеджер и преподаватель программы «Искусственный интеллект», ИТМО (Al Talent Hub).

Навык: ИИ.

«Не кодом единым. Но ответ ИИ, который я получил, я пропускаю через себя — это обязательно. С ИИ можно и нужно решать задачи, которые вы сами знаете, как решать: это и написание кода, и генерация гипотез, и пр.», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

Навык: использование нескольких путей анализа.

«Аналитику важно уметь выстраивать несколько правдоподобных гипотез: что-то можно получить от ИИ и пропустить через себя, где-то добавить рискованные гипотезы (оттолкнуться, например, от того, что раньше не получилось). А дальше нужно применять опыт, свои амбиции и свою вовлеченность. Классный аналитик ходит по нескольким путям анализа», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

Навык: изучение природы появления данных.

«Данные — это не просто набор цифр, важна взаимосвязь всей структуры с физическим миром», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

Навык: замотивированность. Важно не терять форму в хардах, а для этого нужна внутренняя мотивация и «способность быть пластелином», отметил Толстиков.

«Управленцам, чтобы не терять в хардах, важно нанимать специалистов, которые сильнее их. Вам вряд ли нужен в команде управленец, который сильнее вас. А вот если у вас просела техничка, у специалистов должны быть харды сильнее ваших», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

Источник: выступление на конференции «Матемаркетинг’25»:

• Алексея Толстикова, руководителя школы анализа данных Яндекса;

• Олега Шатова, продакт-менеджера и преподавателя программы «Искусственный интеллект» в ИТМО (Al Talent Hub);

• Дмитрия Драгана, руководителя аналитики и исследований, ex-Ozon.

ИИ для аналитики — инструменты и кейсы

Здесь про:

• ИИ-инструменты аналитика и как их применять;

• кейсы внедрения ИИ в работу аналитика.

Использование ИИ в аналитике: когда стоит внедрять нейросети

Результатами исследования об использовании ИИ аналитиками поделился на конференции Рома Бунин, Head of Data в Nebius Group, автор канала Reveal the Data.

Спикер отметил, чаще всего аналитики ежедневно используют в работе барабанная дробь:

• ChatGPT (35%);

• DeepSeek (21%);

• Perplexity (8%);

• Gemini (6:);

• YandexGPT (5%).

По словам спикера, сегодня ИИ точно можно использовать для следующих задач:

• создание надежных ботов с данными для простых случаев;

• вайб-кодинг и создание HTML-рассылок вместо картинок или создание кастомных графиков;

• автоматизация: классификация данных, парсинг неструктурированных файлов, помощь в написании скриптов автоматизации.

Источник: доклад Романа Бунина, Head of Data в Nebius Group, автора канала «Reveal the Data», на конференции «Матемаркетинг’25».

Кейсы внедрения ИИ в финтехе

Четырьмя кейсами внедрения ИИ в финтехе поделился Владимир Сыропятов, Senior analyst с академическим бэкграундом в экономике (PhD program), преподаватель СПБГУ.

Кейс первый: безопасность доступа

Проблема: в большинстве компаний ChatGPT, Claude и другие облачные ИИ-сервисы запрещены.

Решение: установить на macOS локальные LLM. Таким образом:

• все LLM работают локально;

• данные не уходят в облако;

• есть многоуровневая система проверки доступов;

• всё согласовано с IT, Security и Compliance.

Флоу меняется: менеджер → LLM → промпт → SQL → результат.

Как раньше менеджер анализировал падение конверсии	Как сейчас
Писал аналитику	Открывает Jupyter
	Спрашивает у DeepSeek нужный SQL
Ждал 1–2 дня
	Запускает код
Получал ответ
	Находит проблему за 30 минут

Результат:

• менеджеры решают большинство своих вопросов;

• аналитики освобождены от рутины;

• качество ответов сохраняется;

• менеджеры начинают лучше понимать данные.

Кейс второй: ИИ-выжимки встреч

Проблема: из пяти часов встреч специалисты получают ноль структурированных выводов.

Решение: использовать Fireflies.Al (сервис для автоматической записи и анализа встреч), на который ложатся:

• структурирование;

• автоматическое выделение задач по итогам встречи;

• выделение приоритетов и дедлайнов;

• отслеживание эффективности: % встреч с четкими решениями.

Результат: оценка качества управления на основе данных.

Кейс третий: ИИ-валидация результатов

Проблема: выделение ресурсов на поиск ошибок.

Решение: код → локальная LLM → анализ → SQL → ошибки найдены.

Результат: ИИ находит некорректный JOIN или забытое условие WHERE за секунды. Получаем:

• -70% багов в продакшне;

• в 3–5 раз увеличивается скорость отладки.

Кейс четвертый: ИИ как соавтор отчетов и презентаций

Проблема: выделение ресурсов на создание отчетов и презентаций.

Решение:

1. Аналитик находит инсайт.

2. ИИ делает структуру данных.

3. Аналитик делает контекст.

4. ИИ делает проверку читаемости.

Результат: экономия времени с трех часов до 50 минут.

Источник: доклад Владимира Сыропятова, Senior analyst с академическим бэкграундом в экономике (PhD program), преподавателя СПБГУ, на конференции «Матемаркетинг’25».

Заменит ли ИИ аналитиков

Здесь про:

• тренды ИИ в аналитике;

• заменит ли ИИ аналитиков;

• как нанимать сотрудников, которые используют ИИ.

5 трендов ИИ в аналитике

Пять лет назад 70% ресурсов аналитика уходило на техничку, а 30% на глубокую аналитику. Теперь, благодаря развитию ИИ, наоборот. Об этом заявил на конференции Владимир Сыропятов, Senior analyst с академическим бэкграундом в экономике (PhD program), преподаватель СПБГУ.

Эксперт выделил пять трендов, которые определят будущее аналитики:

1. Роль джуна-аналитика пропадет с рынка. По словам спикера, уже сегодня 80% функционала джуна забирает ИИ, поэтому компании набирают мидлов со знанием ИИ, которые:

   1. понимают ИИ и его ограничения;

   2. пишут эффективные промпты;

   3. валидируют ИИ-результаты;

   4. видят выбросы;

   5. добавляют контекст и стратегию.

   Джуны останутся, но войти в индустрию им будет куда сложнее: нужно будет компенсировать наличие опыта знанием ИИ.

2. Часть задач аналитика заберет на себя менеджер. Роль аналитика изменится, специалисту нужно будет больше фокусироваться на стратегии.

3. Запросы менеджеров станут структурнее — на фоне того, что им нужно будет формулировать более конкретные задачи для ИИ.

4. Появится новый формат в образовании — «Работа с ИИ». В программе обучения:

   1. промпт-инжиниринг;

   2. распознавание галлюцинаций;

   3. валидация результатов;

   4. границы доверия;

   5. настройка моделей;

   6. безопасность и конфиденциальность.

   И с изучения синтаксиса кода акцент перейдет на его понимание.

5. Появятся новые специализации:

   1. Fraud Al Specialist;

   2. Al Customer Journey Architect;

   3. Revenue Intelligence Engineer;

   4. Ethical Data Guardian.

   Через два года эти профессии будут везде и будет расти зарплатный разрыв между обычным аналитиком и специалистом с ИИ + доменной экспертизой.

В результате роли специалистов из разных сфер изменятся:

• один человек + ИИ = агентство;

• блогер + ИИ = медиакомпания;

• аналитик + ИИ = консалтинг.

Таким образом развитие ИИ должно принести мировой экономике $15.7 трлн — +13%.

«ИИ не заменит аналитиков. Но аналитики, использующие ИИ, заменят тех, кто ИИ не использует», — заключил спикер. 

Источник: доклад Владимира Сыропятова, Senior analyst с академическим бэкграундом в экономике (PhD program), преподавателя СПБГУ, на конференции «Матемаркетинг’25».

Заменит ли ИИ джуна-аналитика и кто кого заменит

В рамках дискуссионной панели на конференции эксперты обсудили, заменит ли ИИ джунов в аналитике, что будет с мидлами и сеньорами.

ИИ вытеснит часть джунов.

«Надо смотреть на рынок и пирамиду рынка труда. Тех джунов, которые решают ограниченные по зоне ответственности задачи, будет становиться меньше. Но джунов, которые должны расти выше, будет больше. И их потенциал будет расти», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

А часть джунов вытеснит мидлов.

«Интересный вопрос: могут ли джуны с глубоким пониманием ИИ заменить мидлов? Компании могут нанимать джунов, которые иначе понимают задачи и решают их. Они менее закостенелые, чем специалисты с глубокой экспертизой, которые не ищут новых способов решения задач. Джун с навыками ИИ кажется более интересным вариантом, чем переучение мидла», — Олег Шатов, продакт-менеджер и преподаватель программы «Искусственный интеллект», — ИТМО (Al Talent Hub).

А сеньров не вытеснит никто 🤷

«Сеньора не заменит мидл со знанием ИИ. Так как на уровне сеньора задачи ИИ нужно глубоко проверять + у сеньора есть задачи с высоким уровнем неопределенности вроде „Есть проблема, иди разберись“», — Дмитрий Драган, руководитель аналитики и исследований, ex-Ozon.

Источник: выступление на конференции «Матемаркетинг’25»:

• Алексея Толстикова, руководителя школы анализа данных Яндекса;

• Олега Шатова, продакт-менеджера и преподавателя программы «Искусственный интеллект» в ИТМО (Al Talent Hub);

• Дмитрия Драгана, руководителя аналитики и исследований, ex-Ozon.

Руководители VS ИИ: как проводить собеседования и вводить новых сотрудников

Эту тему также подняли на панельной дискуссии. Как оценивать реальные навыки соискателей на фоне повсеместного использования ИИ?

«У компаний есть испытательный срок, нужно проводить его в офлайне: давать ситуативные кейсы человеку и следить за тем, как он рассуждает», — Дмитрий Драган, руководитель аналитики и исследований, ex-Ozon.

«Для меня супер-важно, зачем специалист применяет ИИ: чтобы обмануть систему или чтобы решать больше задач и быстрее. Если второе, почему нет: ты действуешь на своем уровне экспертизы, но экономишь ресурсы», — Алексей Толстиков, руководитель школы анализа данных Яндекса.

Источник: выступление на конференции «Матемаркетинг’25»:

• Алексея Толстикова, руководителя школы анализа данных Яндекса;

• Дмитрия Драгана, руководителя аналитики и исследований, ex-Ozon.