Як провідний аналітик EdPro Ukraine втрачає 40 годин на місяць через ручну обробку навчальних звітів

Минулого тижня мені потрібно було витягнути дані з SQL-бази для 12 корпоративних клієнтів, щоб зрозуміти кореляцію між переглядами відео та фінальним тестом. Я витратила близько 14 годин на ручне зведення декількох таблиць Excel, оскільки дані з різних модулів мали різну структуру. У вибірці було понад 8 000 активних студентів, і мені довелося самостійно прописувати складні формули для очищення дублікатів. В результаті я підготувала звіт на 25 сторінок, але процес зайняв три робочі дні замість запланованих п'яти годин. Це суттєво загальмувало оновлення навчального контенту для нашого найбільшого замовника.

Найбільшим викликом була невідповідність форматів логів поведінки користувачів та результатів їхнього оцінювання. Кожен курс на платформі має свою архітектуру тестування, тому уніфікувати дані для 70 різних потоків навчання вручну — це справжнє пекло. Доводилося постійно перевіряти, чи правильно підтягнулися ID студентів, щоб не спотворити загальну статистику успішності. Крім того, обсяг даних у 500 000 рядків постійно змушував Excel «зависати», що додавало стресу та забирало час на перезавантаження системи. Будь-яка помилка в одному рядку могла призвести до хибних висновків про ефективність цілого курсу.

Проблема полягає у відсутності автоматизованого пайплайну між нашою LMS-системою та аналітичним модулем. Наш внутрішній інструментарій не дозволяє робити глибокі крос-табличні запити без залучення розробників, які й так перевантажені релізами. Як аналітик, я опиняюся у пастці між «сирими» даними та потребою бізнесу в швидких інсайтах для покращення продукту. Когнітивне навантаження при перевірці тисяч осередків вручну призводить до швидкої втоми та ризику пропустити аномалії в поведінці користувачів. Ми ростемо на 20% щокварталу, і старі методи обробки інформації просто перестають масштабуватися.

Ми спробували найняти додаткового Junior-аналітика на допомогу, що обійшлося компанії у 32 000 гривень на місяць плюс податки. Також ми придбали розширену ліцензію на BI-інструмент за $450 на рік, сподіваючись, що це автоматизує частину процесів. Я витратила ще 20 годин на навчання нового співробітника та налаштування базових дашбордів. В результаті ми трохи пришвидшилися, але фундаментальна проблема ручної підготовки даних перед імпортом в BI нікуди не зникла. Загальні витрати на спробу вирішити цю проблему вже перевищили $1,500 за останні два місяці.

Наймання людини лише масштабувало хаос, а не усунуло його причину, бо помилки все одно виникають через людський фактор. BI-інструмент вимагає ідеально чистих даних на вході, а ми продовжуємо витрачати 70% часу на їхню «прибирання» замість аналізу стратегічних показників. Новий аналітик часто помиляється в логіці фільтрації, що змушує мене перевіряти його роботу, фактично виконуючи подвійну дію. Ми отримали гарні графіки, але швидкість отримання інсайтів зросла лише на 10%, що не виправдовує такі інвестиції. Це рішення виявилося лише «пластирем» на глибокій рані відсутності автоматизації.