Вот как обычно выглядит работа аналитика.

Стейкхолдер спрашивает, почему на прошлой неделе упали лиды.

Ты открываешь GA4, BigQuery, три дашборда, старый SQL-запрос, Google Doc с определениями метрик и Slack, где реальный контекст похоронен в треде.

Два часа спустя у тебя всё ещё нет ответа. Зато есть вкладки.

OpenAI выпустил новый плагин Data Analytics для Codex. Я потратил время на тестирование.

Что зацепило: Codex теперь может работать как аналитический оператор прямо внутри твоего рабочего процесса.

Он умеет:

  • подключаться к BigQuery, Drive, документам, дашбордам, таблицам и локальным файлам,
  • использовать бизнес-контекст через семантические слои,
  • диагностировать движение метрик,
  • проектировать KPI и планы измерений,
  • строить отчёты, графики, дашборды и рекомендации с привязкой к источникам,
  • отслеживать определения, оговорки, гранулярность таблиц, джоины и правила единого источника истины.

Настройка простая:

  1. Подключи источники: BigQuery, экспорты GA4 и GSC, Google Drive, таблицы, дашборды, SQL-файлы, документы.
  2. Создай семантический слой: опиши бизнес-область, ключевые метрики, схемы, джоины, оговорки, правила источника истины и предпочтительный формат вывода.
  3. Выбери один реальный воркфлоу – не игрушечный промпт, а настоящую аналитическую задачу: «Диагностируй, почему упали лиды на прошлой неделе», «Проанализируй воронку и предложи, что починить», «Построй KPI-фреймворк для этого продуктового направления».
  4. Проверь допущения: источники, фильтры, гранулярность, определения, оговорки.

Вот тут начинается польза – когда у него достаточно контекста и когда результат проверяется с реальной аналитической дисциплиной.

Аналитикам стоит обратить внимание.

Если твоя работа – это в основном вытаскивание цифр, переиспользование запросов, регулярные отчёты, объяснение дашбордов, сборка контекста из документов или превращение размытых вопросов в структурированный анализ – пол уходит из-под ног.

Быстро.

Неудобная правда: аналитическую работу становится гораздо проще передать агенту, когда тот понимает бизнес-контекст, метрики и системы источников.

Писать SQL – всё меньше конкурентное преимущество.

Понимать, какой вопрос вообще стоит задавать – всё больше.

Так что да, наверное, есть смысл немного поволноваться.

Но главное – пора пересмотреть, чем вообще является аналитическая работа.

Я ещё тестирую, но уже вижу, куда это идёт.

Интересно, как другие аналитики на это смотрят.

Больше о работе с данными в продукте и маркетинге есть в Телеграм-канале «Модель атрибуции».