Forwarded from Дата-сторителлинг (Андрей Дорожный)
📈Wordle для диаграмм
В копилку дата-квизов. Игра Chartle — что-то вроде Wordle, но для диаграмм: игроки угадывают страну, выделенную на графике красным цветом. Увлекательно и интересно, новые задания каждый день. Проверьте себя, перешлите коллегам.
Еще по теме
Дата-квиз на знание мира в 2100 году
Подписывайтесь 👉 📈Дата-сторителлинг
В копилку дата-квизов. Игра Chartle — что-то вроде Wordle, но для диаграмм: игроки угадывают страну, выделенную на графике красным цветом. Увлекательно и интересно, новые задания каждый день. Проверьте себя, перешлите коллегам.
Еще по теме
Дата-квиз на знание мира в 2100 году
Подписывайтесь 👉 📈Дата-сторителлинг
Forwarded from Записки C3PO
Недавно общался с коллегой, и он задал интересный вопрос: есть ли какой-то один вопрос, который помогает сразу понять, хороший перед тобой продакт или плохой.
Такого вопроса-убийцы я не придумал. Но в ходе разговора осознал, что есть отличный «разрезающий пас», отделяющий одних от других - посмотреть, как человек мыслит о будущем. Плохой продакт говорит о будущем фактами. Хороший - гипотезами.
Эта разница в мышлении - ключевая. Плохой продакт верит, что его работа - это составить красивый план и следовать ему. Он приносит роадмап, где на год вперед расписаны фичи, и продает его как набор будущих фактов. Это успокаивает бизнес, создает ощущение предсказуемости, но по сути является профанацией. Это попытка натянуть детерминированность на хаотичную по своей природе реальность.
Хороший продакт, наоборот, принимает неопределенность. Он строит свою работу вокруг гипотез, про которые я уже не раз писал. У него есть четкая структура: есть наблюдение/феномен, из него рождается предположение, которое превращается в эксперимент с ожидаемым результатом. Это не план по захвату мира, а план по обучению.
И вот этот маркер - факты против гипотез - сразу вскрывает, кто перед тобой. Один пытается продать уверенность там, где её нет. Другой - принимает неопределенность и оптимизирует процесс под скорость обучения.
Такого вопроса-убийцы я не придумал. Но в ходе разговора осознал, что есть отличный «разрезающий пас», отделяющий одних от других - посмотреть, как человек мыслит о будущем. Плохой продакт говорит о будущем фактами. Хороший - гипотезами.
Эта разница в мышлении - ключевая. Плохой продакт верит, что его работа - это составить красивый план и следовать ему. Он приносит роадмап, где на год вперед расписаны фичи, и продает его как набор будущих фактов. Это успокаивает бизнес, создает ощущение предсказуемости, но по сути является профанацией. Это попытка натянуть детерминированность на хаотичную по своей природе реальность.
Хороший продакт, наоборот, принимает неопределенность. Он строит свою работу вокруг гипотез, про которые я уже не раз писал. У него есть четкая структура: есть наблюдение/феномен, из него рождается предположение, которое превращается в эксперимент с ожидаемым результатом. Это не план по захвату мира, а план по обучению.
И вот этот маркер - факты против гипотез - сразу вскрывает, кто перед тобой. Один пытается продать уверенность там, где её нет. Другой - принимает неопределенность и оптимизирует процесс под скорость обучения.
Forwarded from Через тернии к Визам
How to. make Business LODs and Windows
В документациях к BI-инструментам есть примеры, как использовать LOD-формулы, но они не всегда хорошо транслируются на реальные бизнес-кейсы, надо еще переводить с языка примера на логику того, что же тебе требуется.
Решил попробовать собрать бизнес-кейсы различных LODов с которыми приходят для реализации, кажется, так будет нагляднее.
Буду дополнять на этой страничке
Если принесете свои use cases - будет классно =)
- сколько было клиентов с > чем 1 заказом
- сколько sku товаров было и в плане и в факте
- как посчитать среднюю без выбросов > 90 персентиля
- средний % плохого стока за последнюю неделю
В документациях к BI-инструментам есть примеры, как использовать LOD-формулы, но они не всегда хорошо транслируются на реальные бизнес-кейсы, надо еще переводить с языка примера на логику того, что же тебе требуется.
Решил попробовать собрать бизнес-кейсы различных LODов с которыми приходят для реализации, кажется, так будет нагляднее.
Буду дополнять на этой страничке
Если принесете свои use cases - будет классно =)
- сколько было клиентов с > чем 1 заказом
- сколько sku товаров было и в плане и в факте
- как посчитать среднюю без выбросов > 90 персентиля
- средний % плохого стока за последнюю неделю
👍1
Forwarded from Александр Гинько (автор и переводчик)
📈 Легендарная Большая книга дашбордов уже в переводе!!! Жмите кнопку, и вам придет личное уведомление об окончании перевода! В конце поста расскажу, как записаться на уведомление о выходе книги!
Друзья, делаю первый из двух анонсов и спешу сообщить о том, что уже перевел половину абсолютно мастхэвной книги для любого биайщика, название которой в оригинале знают все – The Big Book of Dashboards (ссылка на амазон: https://www.amazon.com/Big-Book-Dashboards-Visualizing-Real-World/dp/1119282713, можно посмотреть содержание и первую главу)! Это настоящий шедевр в отношении философии построения и дизайна дашбордов от Стива Векслера, Джеффа Шаффера и Энди Котгрива, без которого ни один визуальщик не должен выходить из дома!
Да, обычно я перевожу самые свежие книги, а этой книге уже целых 8 лет! Но я решился на это исключение для вас. Ведь рукописи не горят, и это как раз тот самый случай. Книга исключительно практическая, но без единого упоминания какой бы то ни было BI-системы. В ней показано великое множество реальных дашбордов, завоевывавших награды в разные годы, с подробнейшим разбором всех использованных в них приемов.
Это действительно потрясающая книга, которую я давно хотел перевести, но только недавно мы смогли получить на нее лицензию. Советую ее абсолютно всем специалистам и начинающим строителям дашбордов!
Кстати, в сентябре этого года вышла новая книга от того же трио авторов. Называется она Dashboards That Deliver. Многие подумали, что это второй том Биг Бука, но это не так, это совершенно новая книга (первое издание), просто обложка в стиле Биг Бука. Мы ооочень хотим перевести и эту книгу, и по поводу нее на этой неделе я создам опрос с вашим мнением и желанием ее приобрести. Кроме того, спрос на Большую книгу дашбордов непосредственно будет влиять на желание издательства ДМК Пресс перевести Dashboards That Deliver, так что советую покупкой этой книги проголосовать за перевод следующего шедевра этих авторов.
Завершить перевод книги я планирую в конце ноября (отслеживайте прогресс перевода ежедневно в моем боте по кнопке Прогресс перевода книг), а сейчас вы уже можете жамкнуть кнопку в моем боте, чтобы вам в телеграм пришло уведомление о выходе книги! Как это сделать: идете к моему боту (@alexanderginko_books_bot), жмете на кнопку Оформить предзаказ на книги (если у вас обновленная версия бота, кнопка будет называться Уведомить о выходе книги, т.к. хочется подчеркнуть, что никаких денег за предзаказ вы не платите) и выбираете нужную вам книгу. И тогда по выходу книги вам придет сообщение от моего бота.
Давайте все оформим уведомление на книгу, чтобы в издательстве поняли, как мы любим биай и хотим читать новые и новые книги!)) И ждите опроса по новой книге, а на следующей неделе будет новый анонс, в работе есть и вторая книга!
Друзья, делаю первый из двух анонсов и спешу сообщить о том, что уже перевел половину абсолютно мастхэвной книги для любого биайщика, название которой в оригинале знают все – The Big Book of Dashboards (ссылка на амазон: https://www.amazon.com/Big-Book-Dashboards-Visualizing-Real-World/dp/1119282713, можно посмотреть содержание и первую главу)! Это настоящий шедевр в отношении философии построения и дизайна дашбордов от Стива Векслера, Джеффа Шаффера и Энди Котгрива, без которого ни один визуальщик не должен выходить из дома!
Да, обычно я перевожу самые свежие книги, а этой книге уже целых 8 лет! Но я решился на это исключение для вас. Ведь рукописи не горят, и это как раз тот самый случай. Книга исключительно практическая, но без единого упоминания какой бы то ни было BI-системы. В ней показано великое множество реальных дашбордов, завоевывавших награды в разные годы, с подробнейшим разбором всех использованных в них приемов.
Это действительно потрясающая книга, которую я давно хотел перевести, но только недавно мы смогли получить на нее лицензию. Советую ее абсолютно всем специалистам и начинающим строителям дашбордов!
Кстати, в сентябре этого года вышла новая книга от того же трио авторов. Называется она Dashboards That Deliver. Многие подумали, что это второй том Биг Бука, но это не так, это совершенно новая книга (первое издание), просто обложка в стиле Биг Бука. Мы ооочень хотим перевести и эту книгу, и по поводу нее на этой неделе я создам опрос с вашим мнением и желанием ее приобрести. Кроме того, спрос на Большую книгу дашбордов непосредственно будет влиять на желание издательства ДМК Пресс перевести Dashboards That Deliver, так что советую покупкой этой книги проголосовать за перевод следующего шедевра этих авторов.
Завершить перевод книги я планирую в конце ноября (отслеживайте прогресс перевода ежедневно в моем боте по кнопке Прогресс перевода книг), а сейчас вы уже можете жамкнуть кнопку в моем боте, чтобы вам в телеграм пришло уведомление о выходе книги! Как это сделать: идете к моему боту (@alexanderginko_books_bot), жмете на кнопку Оформить предзаказ на книги (если у вас обновленная версия бота, кнопка будет называться Уведомить о выходе книги, т.к. хочется подчеркнуть, что никаких денег за предзаказ вы не платите) и выбираете нужную вам книгу. И тогда по выходу книги вам придет сообщение от моего бота.
Давайте все оформим уведомление на книгу, чтобы в издательстве поняли, как мы любим биай и хотим читать новые и новые книги!)) И ждите опроса по новой книге, а на следующей неделе будет новый анонс, в работе есть и вторая книга!
Forwarded from Модель атрибуции
AI и аналитика - моя главная проблема прямо сейчас (и, возможно, твоя тоже)
Я смотрю на свою работу с аналитикой и вижу кучу вопросов без ответов:
1. Как AI может помочь прямо сейчас, а не "когда-нибудь потом"?
2. Какие задачи уже можно отдать агентам, а какие - ещё рано?
3. Что делать с командой: кого учить, кого нанимать, кого... ну вы поняли?
4. И главное - как не остаться за бортом, пока все вокруг осваивают новые инструменты?
Решил разобраться вместе с Севой Устиновым. Он не только делает продукт для маркетологов и аналитиков, но и сам внедряет AI агентов в работу команды.
О чём поговорим:
1. Почему быть без AI - это зона риска прямо сейчас
2. Какие задачи уже решает AI в маркетинге и аналитике
3. Case studies - что работает, что не работает, где AI врёт
4. Что меняется в скилл-сете - от дашбордиста к управленцу агентами
5. Апдейты Elly Analytics - как выглядит AI в реальном продукте
Для затравки
Больше не нужно отсматривать сотни тысяч объявлений. Не нужно руками вносить правки в каждый креатив. Не нужно анализировать всё по заранее придуманным правилам. Можно просто спросить у AI.
Но нужно знать, какие вопросы задавать. И вот тут начинается самое интересное. Будущая роль маркетолога - стратег в real-time и управленец агентами. Покажем как это выглядит на конкретных примерах.
Дата и время: 14.10.2025 вт 19:00 МСК
Платформа: Zoom
Регистрация
Приходи за честным разговором и живыми демо
Бонус тем, кто придет: бесплатная инструкция от Севы, как настроить среду с AI-агентами для своих ежедневных задач.
@marketing_analysis
Я смотрю на свою работу с аналитикой и вижу кучу вопросов без ответов:
1. Как AI может помочь прямо сейчас, а не "когда-нибудь потом"?
2. Какие задачи уже можно отдать агентам, а какие - ещё рано?
3. Что делать с командой: кого учить, кого нанимать, кого... ну вы поняли?
4. И главное - как не остаться за бортом, пока все вокруг осваивают новые инструменты?
Решил разобраться вместе с Севой Устиновым. Он не только делает продукт для маркетологов и аналитиков, но и сам внедряет AI агентов в работу команды.
О чём поговорим:
1. Почему быть без AI - это зона риска прямо сейчас
2. Какие задачи уже решает AI в маркетинге и аналитике
3. Case studies - что работает, что не работает, где AI врёт
4. Что меняется в скилл-сете - от дашбордиста к управленцу агентами
5. Апдейты Elly Analytics - как выглядит AI в реальном продукте
Для затравки
Больше не нужно отсматривать сотни тысяч объявлений. Не нужно руками вносить правки в каждый креатив. Не нужно анализировать всё по заранее придуманным правилам. Можно просто спросить у AI.
Но нужно знать, какие вопросы задавать. И вот тут начинается самое интересное. Будущая роль маркетолога - стратег в real-time и управленец агентами. Покажем как это выглядит на конкретных примерах.
Дата и время: 14.10.2025 вт 19:00 МСК
Платформа: Zoom
Регистрация
Приходи за честным разговором и живыми демо
Бонус тем, кто придет: бесплатная инструкция от Севы, как настроить среду с AI-агентами для своих ежедневных задач.
@marketing_analysis
Google
Маркетолог против AI агентов: кого уволить, а кого оставить? [ссылка на зум будет во встрече позже] — Invitation via Google Calendar
Forwarded from Хорошо, но нужно переделать
Я нашла в вам оправдание прокрастинации, не благодарите!
Можно залипнуть на этот сайт на 3 часа: это космическая станция, на которой персонажи из разных фильмов и сериалов (даже есть Деревня дураков!).
Работа подождёт…
https://floor796.com
Можно залипнуть на этот сайт на 3 часа: это космическая станция, на которой персонажи из разных фильмов и сериалов (даже есть Деревня дураков!).
Работа подождёт…
https://floor796.com
Floor796
A huge animation scene with many references to memes, games, films, series, anime, music groups
👍1😁1🐳1
Forwarded from Датавиз в BI • Алиса Ручкина
Все совпадения случайны
Просто напомнить про полезный вопрос для сбора требований к дашборду:
❓Что ты будешь делать, если метрика завтра упадёт в 2 раза?
Во-первых, он настроит на принятие решений с помощью данных и подтолкнёт к реальным действиям, а во-вторых, поможет выстроить структуру самого дашборда.
Есть ещё такие формулировки, но они менее чёткие:
- Какое решение вы надеетесь принять с помощью этого?
- Какое действие это поможет вам предпринять?
#fun #дашборд
Просто напомнить про полезный вопрос для сбора требований к дашборду:
❓Что ты будешь делать, если метрика завтра упадёт в 2 раза?
Во-первых, он настроит на принятие решений с помощью данных и подтолкнёт к реальным действиям, а во-вторых, поможет выстроить структуру самого дашборда.
Есть ещё такие формулировки, но они менее чёткие:
- Какое решение вы надеетесь принять с помощью этого?
- Какое действие это поможет вам предпринять?
#fun #дашборд
😁3
Forwarded from Дашбордец
Котятки🐱,
Этим утром я почитываю книжечку
A reader on data Visualization. По факту, методичку по курсу Dataviz:
https://mschermann.github.io/data_viz_reader/
Что примечательно, в ней есть глава 6, где прямо очень хорошо расписан жизненный цикл любого проекта по анализу.
Ну и моя вчерашняя маленькая находка: статья-размышление на тему, какие новые риски появились в сфере анализа и визуализации, а что по-прежнему важно для построения качественного дашборда. «Уместность» - мой фаворит.
https://rebeccabranton.blog/2025/07/13/the-evolution-of-data-visualization-what-makes-a-good-chart-in-the-age-of-technology/
Этим утром я почитываю книжечку
A reader on data Visualization. По факту, методичку по курсу Dataviz:
https://mschermann.github.io/data_viz_reader/
Что примечательно, в ней есть глава 6, где прямо очень хорошо расписан жизненный цикл любого проекта по анализу.
Ну и моя вчерашняя маленькая находка: статья-размышление на тему, какие новые риски появились в сфере анализа и визуализации, а что по-прежнему важно для построения качественного дашборда. «Уместность» - мой фаворит.
https://rebeccabranton.blog/2025/07/13/the-evolution-of-data-visualization-what-makes-a-good-chart-in-the-age-of-technology/
mschermann.github.io
A Reader on Data Visualization
This is the class reader for MSIS 2629.
Forwarded from Data Nature 🕊 (Alexandr Barakov)
<Осторожно - в этом посте нет ни одного упоминания AI>
Делали с командой внутренний курс для BI в Авито - откапал свою типологию ролей в BI проектах 5-ти летней давности.
Отряхнул и переписал из текущей точки, добавил логики. Короче - дополняйте какие роли или нюансы упущены.
Ссылка на картинку
Забавное открытие - вроде все уже сказано и открыто в профессии, но приходят в компанию новые поколения и говорить об каких-то вещах - есть смысл снова.
Forwarded from Тагир Анализирует
Недавно читал статью Netflix про то, как они применяют продуктовый подход к данным. Получился реальный разбор того, как у них это работает на практике, а не как должно быть
Главная мысль простая: если к данным не применять продуктовый подход, они превращаются в помойку. Таблички плодятся как кролики, никто не знает, что где лежит, а аналитики тратят 80% времени на поиск нужных данных вместо анализа
Что Netflix делает по-другому:
Во всех компаниях, где я работал, эти подходы в той или иной степени реализовывались. В Яндексе прод витрины жили в команде DWH – был SLA и прочие гарантии. При этом некоторые важные источники оставались на поддержке аналитиков, поэтому иногда они забывались, не имели нормальной доки и устаревали
Когда собесил аналитиков в Яндекс, многие задавали вопросы про инфру и данные – чувствовалось, как у людей болит, что вместо аналитики они перекидывают данные с одного ноутбука на второй и решают другие проблемы с данными вместо анализа
Основное, что смущает в статье – масштаб Netflix. У них есть ресурсы на выделенных владельцев данных, техрайтеров и прочую инфраструктуру. Но базовые принципы можно применить и в меньших масштабах
Кстати, это перекликается с тем, что я писал про invisible work – когда аналитики тратят кучу времени на поиск и подготовку данных, но это никто не видит и не ценит. Продуктовый подход к данным как раз частично решает эту проблему
Что думаете? Применяете ли продуктовый подход к данным в своих компаниях?
@tagir_analyzes
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from Пристанище Дата Сайентиста (TelepostBot)
GPT-5 проваливает 47% реальных задач.
Флагманская модель GPT-5-medium справляется с задачами только в 52,56% случаев. После 4 попыток — всего 33,86%.
Новое исследование MCPMark протестировало топовые AI-модели на 127 реальных задачах (GitHub, Notion, PostgreSQL, Playwright).
Ключевые находки:
→ Задачи требуют в среднем 16 шагов и 17 вызовов инструментов
→ Claude-Sonnet-4 и o3: менее 30% успеха с первой попытки
→ Удалённые API (GitHub, Notion) в 2 раза сложнее локальных
→ 50-80% провалов — implicit: модель завершает работу, но результат не соответствует требованиям
Главный инсайт:
Проблема не в технике, а в понимании контекста и планировании. Красиво говорить ≠ безошибочно выполнять сложные задачи.
Подробнее можно почитать у меня в блоге
Флагманская модель GPT-5-medium справляется с задачами только в 52,56% случаев. После 4 попыток — всего 33,86%.
Новое исследование MCPMark протестировало топовые AI-модели на 127 реальных задачах (GitHub, Notion, PostgreSQL, Playwright).
Ключевые находки:
→ Задачи требуют в среднем 16 шагов и 17 вызовов инструментов
→ Claude-Sonnet-4 и o3: менее 30% успеха с первой попытки
→ Удалённые API (GitHub, Notion) в 2 раза сложнее локальных
→ 50-80% провалов — implicit: модель завершает работу, но результат не соответствует требованиям
Главный инсайт:
Проблема не в технике, а в понимании контекста и планировании. Красиво говорить ≠ безошибочно выполнять сложные задачи.
Подробнее можно почитать у меня в блоге
Forwarded from Data Nature 🕊 (Alexandr Barakov)
"Агенты еще минимум десятилетие не смогут никого заменить полноценно.
Индустрия в погоне за инвестициями выдает "кашу" за работающие решения и завышает ожидания рынка, когда технологии еще не готовы для реальных задач.
А главный риск - из-за ИИ автоматизации снизить нашу способность понимать мир"
После этого интервью Андрея Карпатого (сооснователя OpenAI) - агрессивная подача tableau на Dreamforce 2025 звучит особенно забавно.
15 лет назад всем продавали чудо селфсервиса, сейчас в таком же стиле - «явление Agentforce народу».
Давит погоня конкурентов и инвесторы - в итоге сырой эксперимент с недоказанной ценностью выдают за новое поколение BI, в своем стиле заметая под ковер все подводные камни.
И многие из нас тоже в этой гонке веры. Смесь интереса и страха отстать - пилим своих агентов или планируем.
Понятно стало, что не нужно ждать отдачи в ближайшие годы. Это будет стоить компаниям кучу денег и никто не знает, где эта экономика сойдется.
Это выбило большинство в роль наблюдателей - заниматься в своих компаниях спокойной (и тоже недешевой) подготовкой условий для AI агентов - внедрять семантические слои, слои метрик, голден/кор витрин и прочую годноту. Тестить более локальные юзкейсы ИИ чем дата-ассистент.
Я попробовал обобщить, что такое Пререквизиты AI Аналитика - предшествующие компоненты, без которых можно даже "не лезть".
Получился такой документ с тремя скоупами:
① Подготовка
② MVP дата-агента
③ Продуктивная агентская среда
Выглядит монструозно. По моей оценке:
Подготовка - будет скромно стоить от 100 млн в год.
С MVP уже уверенно от 150 млн руб в год.
Но кажется ничего не притянуто. Дополните?
Forwarded from Сергей Булаев AI 🤖
Перплексити выкатили неплохой гайд по прикладному использованию ИИ (реальные кейсы - моя главная любовь). NotebookLM написал список основных:
I. Продвинутый исследовательский анализ (Scaling Yourself)
Эти кейсы трансформируют способ сбора, анализа и синтеза информации. По сути, они дают одному человеку исследовательскую глубину целой команды.
• Комплексная оценка рынка - полноценный workflow для анализа всего рынка, идентификации ключевых игроков и определения стратегии
• Адаптация решений из других индустрий - решение проблем через поиск проверенных методологий из совершенно несвязанных областей
• Сложная финансовая оценка - используется перед крупными инвестиционными решениями или поглощениями
• Анализ данных и рекомендации - анализ внутренних данных и синтез стратегических рекомендаций для будущего планирования
• Исследование перехода на freemium-модель - практический пример использования исследований для управления крупными стратегическими бизнес-изменениями
II. Генерация важных документов (Scaling Yourself & Getting Results)
Здесь Perplexity Labs идет дальше черновиков - генерирует полноценные, профессионально отформатированные документы, которые обычно требуют специализированной экспертизы или значительного времени на производство.
• Презентация для совета директоров - генерация формальной презентации из неформальных заметок
• Профессиональная стратегическая документация - трансформация аналитических заметок в комплексный, профессионально структурированный документ
• Интерактивный дашборд win-loss анализа - создание детального дашборда для идентификации изменений и ключевых драйверов, влияющих на результаты продаж
III. Автоматизация и личный менеджмент (Blocking Distractions)
Эти кейсы показывают, как AI-агенты управляют сложными многошаговыми задачами, снижая переключение контекста и освобождая время для фокусной работы.
• Интегрированный исследовательский workflow (Comet Agent) - объединение исследования, организации и синтеза в одну команду
• Проактивное управление email (Comet Agent) - классический пример делегирования повторяющейся административной нагрузки
• Автоматическая подготовка к встречам (Comet Shortcut) - подготовка к предстоящей встрече через интеграцию данных из календарей, коммуникаций и публичных новостей
• Отчеты о личной эффективности - использование AI для анализа личных рабочих паттернов через различные инструменты (project management, календарь, email) для выявления эффективности и пробелов в навыках
• Запланированный конкурентный анализ (Perplexity Task) - настройка повторяющейся задачи для мониторинга изменений на рынке без ручного вмешательства
IV. Развитие бизнеса и продажи
Эти кейсы фокусируются на использовании Perplexity для роста выручки через быструю генерацию кастомизированной аналитики и персонализированных материалов для outreach.
• Дашборд полного цикла генерации лидов - высокоуровневый промпт, использующий Labs для таргетированной идентификации лидов, создания дашборда и автоматической генерации шаблонов для outreach
• Гиперперсонализированный outreach - генерация коммуникации, отражающей глубокое понимание недавней активности потенциального клиента и вызовов его индустрии
• Комплексное исследование потенциальных клиентов - сбор детальной фоновой информации перед первым контактом
Гайд в комменты выложу.
Сергей Булаев AI 🤖 - об AI и не только
I. Продвинутый исследовательский анализ (Scaling Yourself)
Эти кейсы трансформируют способ сбора, анализа и синтеза информации. По сути, они дают одному человеку исследовательскую глубину целой команды.
• Комплексная оценка рынка - полноценный workflow для анализа всего рынка, идентификации ключевых игроков и определения стратегии
• Адаптация решений из других индустрий - решение проблем через поиск проверенных методологий из совершенно несвязанных областей
• Сложная финансовая оценка - используется перед крупными инвестиционными решениями или поглощениями
• Анализ данных и рекомендации - анализ внутренних данных и синтез стратегических рекомендаций для будущего планирования
• Исследование перехода на freemium-модель - практический пример использования исследований для управления крупными стратегическими бизнес-изменениями
II. Генерация важных документов (Scaling Yourself & Getting Results)
Здесь Perplexity Labs идет дальше черновиков - генерирует полноценные, профессионально отформатированные документы, которые обычно требуют специализированной экспертизы или значительного времени на производство.
• Презентация для совета директоров - генерация формальной презентации из неформальных заметок
• Профессиональная стратегическая документация - трансформация аналитических заметок в комплексный, профессионально структурированный документ
• Интерактивный дашборд win-loss анализа - создание детального дашборда для идентификации изменений и ключевых драйверов, влияющих на результаты продаж
III. Автоматизация и личный менеджмент (Blocking Distractions)
Эти кейсы показывают, как AI-агенты управляют сложными многошаговыми задачами, снижая переключение контекста и освобождая время для фокусной работы.
• Интегрированный исследовательский workflow (Comet Agent) - объединение исследования, организации и синтеза в одну команду
• Проактивное управление email (Comet Agent) - классический пример делегирования повторяющейся административной нагрузки
• Автоматическая подготовка к встречам (Comet Shortcut) - подготовка к предстоящей встрече через интеграцию данных из календарей, коммуникаций и публичных новостей
• Отчеты о личной эффективности - использование AI для анализа личных рабочих паттернов через различные инструменты (project management, календарь, email) для выявления эффективности и пробелов в навыках
• Запланированный конкурентный анализ (Perplexity Task) - настройка повторяющейся задачи для мониторинга изменений на рынке без ручного вмешательства
IV. Развитие бизнеса и продажи
Эти кейсы фокусируются на использовании Perplexity для роста выручки через быструю генерацию кастомизированной аналитики и персонализированных материалов для outreach.
• Дашборд полного цикла генерации лидов - высокоуровневый промпт, использующий Labs для таргетированной идентификации лидов, создания дашборда и автоматической генерации шаблонов для outreach
• Гиперперсонализированный outreach - генерация коммуникации, отражающей глубокое понимание недавней активности потенциального клиента и вызовов его индустрии
• Комплексное исследование потенциальных клиентов - сбор детальной фоновой информации перед первым контактом
Гайд в комменты выложу.
Сергей Булаев AI 🤖 - об AI и не только