Управляю сложными ИТ-программами, технологическими изменениями и внедрением новых решений — от стратегии и архитектуры до промышленной реализации.
Управляю сложными ИТ-программами, технологическими изменениями и внедрением новых решений — от стратегии и архитектуры до промышленной реализации.
Планирование и подготовка управленческой отчетности по программе технологической трансформации требовали регулярной ручной обработки больших массивов данных. Необходимо было объединять планы команд, проверять изменения, искать расхождения и готовить материалы для руководства.
Я автоматизировал часть этого процесса с использованием SQL, Python-подходов, GigaCode и DeepSeek: сформировал правила обработки данных, автоматизировал объединение планов и выделение критичных изменений.
В результате время на подготовку типового комплекта аналитики сократилось примерно с 4–5 часов до 30 минут, при этом отдельные наборы данных содержат около 5 000 строк.
Время на подготовку и проверку типового набора управленческой аналитики сократилось примерно в 8–10 раз.
Автоматизация используется для обработки массивов плановых и фактических данных объемом до 5 000 строк.
Подготовил инструкции, примеры запросов и базу знаний и передал подход команде из 4 сотрудников.
Планы по автоматизированным системам поступали из разных источников и требовали ручного объединения перед подготовкой управленческой отчетности.
Значительная часть времени уходила не на анализ, а на техническую обработку: сведение таблиц, проверку форматов, поиск изменившихся значений и контроль логических ошибок.
При каждом новом цикле планирования необходимо было повторять эти операции заново, что увеличивало трудозатраты и вероятность ошибок.
Я сформировал правила обработки данных и автоматизировал объединение плановых массивов в единый набор.
Отдельная логика выделяет критичные изменения между версиями планов: переносы сроков, изменение объемов, новые обязательства и другие показатели, требующие внимания руководителя программы.
За счет этого вместо построчного сравнения нескольких файлов можно сразу переходить к анализу конкретных изменений и их влияния на программу.
Для разработки отдельных сценариев обработки и подготовки аналитических материалов я использовал GigaCode и DeepSeek.
ИИ применялся как инструмент для ускорения написания логики обработки данных, проверки подходов, подготовки расчетов и формирования черновиков аналитических материалов.
При этом исходные показатели, правила расчета и финальная проверка результатов оставались в моем контуре ответственности.
Такой подход позволил быстро создавать небольшие внутренние инструменты без отдельного полноценного цикла разработки.
Следующим этапом стала подготовка более удобного слоя аналитики поверх исходных таблиц: расчет ключевых показателей, выделение отклонений и подготовка данных для презентационных материалов.
Часть отчетности постепенно переводится в формат дашбордов с использованием SQL и внутреннего аналитического фреймворка.
Это позволяет использовать один и тот же источник данных и для оперативного контроля программы, и для подготовки регулярной отчетности руководству.
Автоматизация не оставалась персональным инструментом. Я подготовил инструкции, примеры запросов, промпты и базу знаний для сотрудников команды.
Проводил рабочие встречи и индивидуальное обучение, показывая, как использовать ИИ для анализа данных и автоматизации повторяющихся операций.
Подход был передан 4 сотрудникам, которые могут использовать готовые сценарии и развивать их для собственных задач.
Подготовка типовой управленческой аналитики по программе сократилась примерно с 4–5 часов до 30 минут.
Автоматизировано объединение массивов планов, выявление критичных изменений и подготовка части расчетных показателей для отчетности.
В работе используются массивы объемом около 5 000 строк, а созданные инструменты и инструкции переданы сотрудникам команды.
ИИ стал частью практического рабочего процесса: не отдельным экспериментом, а инструментом для сокращения ручных операций в планировании и управленческой отчетности.